Link to this sectionUltralytics YOLOによるモデル検証#

Link to this sectionはじめに#

検証は機械学習パイプラインにおいて非常に重要なステップであり、トレーニング済みモデルの品質を評価するために不可欠です。Ultralytics YOLO26のValモードは、オブジェクト検出モデルのパフォーマンスを評価するための強力なツールとメトリクスを提供します。このガイドでは、Valモードを効果的に活用して、モデルの精度と信頼性を確保するための包括的な情報を提供します。

Link to this sectionなぜUltralytics YOLOで検証するのか？#

YOLO26のValモードを使用する利点は以下の通りです。

• 精度: mAP50、mAP75、mAP50-95などの正確なメトリクスを取得し、モデルを総合的に評価できます。
• 利便性: トレーニング設定を記憶する内蔵機能により、検証プロセスが簡素化されます。
• 柔軟性: トレーニング時と同じデータセットや画像サイズ、あるいは異なるものを使用してモデルを検証できます。
• ハイパーパラメータチューニング: 検証メトリクスを使用してモデルを微調整し、パフォーマンスを向上させます。

Link to this sectionValモードの主な機能#

YOLO26のValモードが提供する主要な機能は以下の通りです。

• 自動設定: モデルがトレーニング設定を記憶しているため、検証を簡単に行えます。
• マルチメトリックサポート: さまざまな精度メトリクスに基づいてモデルを評価できます。
• CLIおよびPython API: 検証の好みに応じて、コマンドラインインターフェースまたはPython APIを選択できます。
• データ互換性: トレーニング時に使用したデータセットだけでなく、カスタムデータセットでもシームレスに動作します。

Link to this section使用例#

Validate a trained YOLO26n model accuracy on the COCO8 dataset. No arguments are needed as the model retains its training data and arguments as model attributes. See the Arguments section below for a full list of validation arguments.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Link to this sectionYOLOモデル検証用引数#

YOLOモデルを検証する際、評価プロセスを最適化するために複数の引数を微調整できます。これらの引数は、入力画像サイズ、バッチ処理、パフォーマンスしきい値などを制御します。以下に、検証設定を効果的にカスタマイズするための各引数の詳細な説明を記載します。

これらの各設定は検証プロセスにおいて重要な役割を果たし、YOLOモデルのカスタマイズ可能で効率的な評価を可能にします。特定のニーズとリソースに応じてこれらのパラメータを調整することで、精度とパフォーマンスの最適なバランスを達成できます。

Link to this section引数を使用した検証例#

以下の例では、PythonおよびCLIでのカスタム引数を使用したYOLOモデルの検証を紹介します。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Customize validation settings
metrics = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.7, device="0")

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

results = model.val(data="coco8.yaml", plots=True)
print(results.confusion_matrix.to_df())

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Validate and access per-image metrics
results = model.val(data="coco8.yaml")

# image_metrics is a dictionary with image filenames as keys
print(results.box.image_metrics)
# Output: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# Access metrics for a specific image
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

詳細については、DataExportMixin クラスドキュメント を参照してください。

Link to this sectionFAQ#

Link to this sectionUltralyticsでYOLO26モデルを検証するにはどうすればよいですか？#

YOLO26モデルを検証するには、Ultralyticsが提供するValモードを使用できます。例えば、Python APIを使用してモデルをロードし、検証を実行するには次のようにします。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # map50-95

あるいは、コマンドラインインターフェース（CLI）を使用することもできます。

yolo val model=yolo26n.pt

さらにカスタマイズしたい場合は、PythonおよびCLIの両モードで imgsz、batch、conf などの様々な引数を調整できます。パラメータの全リストについては、YOLOモデル検証用の引数 セクションを確認してください。

Link to this sectionYOLO26モデルの検証からどのようなメトリクスを取得できますか？#

YOLO26モデルの検証では、モデルの性能を評価するためのいくつかの主要なメトリクスが提供されます。これらには以下が含まれます。

• mAP50 (IoUしきい値 0.5 における平均精度)
• mAP75 (IoUしきい値 0.75 における平均精度)
• mAP50-95 (0.5 から 0.95 までの複数のIoUしきい値にわたる平均精度)

Python APIを使用する場合、これらのメトリクスに次のようにアクセスできます。

metrics = model.val()  # assumes `model` has been loaded
print(metrics.box.map)  # mAP50-95
print(metrics.box.map50)  # mAP50
print(metrics.box.map75)  # mAP75
print(metrics.box.maps)  # list of mAP50-95 for each category
print(metrics.box.image_metrics)  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

完全な性能評価を行うには、これら全てのメトリクスを確認することが重要です。詳細は、Valモードの主要機能 を参照してください。

Link to this sectionUltralytics YOLOを検証に使用する利点は何ですか？#

検証にUltralytics YOLOを使用すると、いくつかの利点があります。

• Precision: YOLO26は、mAP50、mAP75、mAP50-95を含む正確な性能メトリクスを提供します。
• 利便性: モデルが自身のトレーニング設定を保持しているため、検証が簡潔に行えます。
• 柔軟性: 同じまたは異なるデータセットや画像サイズに対して検証を行うことができます。
• ハイパーパラメータ調整: 検証メトリクスは、より高い性能を得るためのモデルの微調整に役立ちます。

これらの利点により、モデルが徹底的に評価され、優れた結果が得られるよう最適化することが可能です。これらの利点の詳細については、なぜUltralytics YOLOで検証するのか セクションを確認してください。

Link to this sectionカスタムデータセットを使用してYOLO26モデルを検証できますか？#

はい、カスタムデータセット を使用してYOLO26モデルを検証できます。データセット設定ファイルへのパスを data 引数に指定してください。このファイルには、検証データ へのパスを含める必要があります。

Pythonでの例:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Validate with a custom dataset
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

CLIを使用した例:

yolo val model=yolo26n.pt data=path/to/your/custom_dataset.yaml

検証中のカスタマイズ可能なオプションについては、検証の引数例 セクションを参照してください。

Link to this sectionYOLO26で検証結果をJSONファイルに保存するにはどうすればよいですか？#

検証結果をJSONファイルに保存するには、検証を実行する際に save_json 引数を True に設定します。これはPython APIとCLIの両方で行うことができます。

Pythonでの例:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Save validation results to JSON
metrics = model.val(save_json=True)

CLIを使用した例:

yolo val model=yolo26n.pt save_json=True

この機能は、その後の分析や他のツールとの統合に特に役立ちます。詳細については、YOLOモデル検証用の引数 を確認してください。