Ultralytics YOLOによるモデルの検証#

はじめに#

検証は機械学習パイプラインにおける重要な工程であり、トレーニング済みモデルの品質を評価できます。Ultralytics YOLO26のValモードは、物体検出モデルのパフォーマンスを評価するための堅牢なツールとメトリクスを提供します。このガイドでは、モデルの精度と信頼性を確保するためにValモードを効果的に使用する方法を包括的に説明します。

予備的な検証結果については、未リリースのYOLO27プレビューを参照してください。

Ultralytics YOLOで検証する理由#

YOLO26のValモードを使用するメリットは次のとおりです。

• 高精度: mAP50、mAP75、mAP50-95などの正確な指標を取得し、モデルを包括的に評価できます。
• 利便性: 学習設定を記憶する組み込み機能により、検証プロセスを簡素化できます。
• 柔軟性: 同じデータセットまたは異なるデータセットや画像サイズでモデルを検証できます。
• ハイパーパラメーターの調整: 検証指標を使用してモデルを微調整し、性能を向上させます。

Valモードの主な機能#

YOLO26のValモードで利用できる主な機能は次のとおりです。

• 設定の自動化: モデルが学習時の設定を記憶するため、簡単に検証できます。
• 複数の指標に対応: さまざまな精度指標に基づいてモデルを評価できます。
• CLIとPython API: 検証には、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: 学習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にもシームレスに対応します。

使用例#

学習済みYOLO26nモデルの精度を検証します。modelは学習時のdataと引数をモデル属性として保持するため、引数を指定する必要はありません。path/to/best.ptは学習に使用したデータセットで検証します。公式ウェイトには、マシン上に存在しない学習データセットのパスが記録されているため、警告を表示してタスクのデフォルトのcoco8.yamlにフォールバックします。別のデータセットで検証するにはdataを渡してください。検証引数の一覧については、以下の「引数」セクションを参照してください。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n.pt")  # 公式モデルを読み込みます
model = YOLO("path/to/best.pt")  # カスタムモデルを読み込む

# モデルを検証します
metrics = model.val()  # データセットと設定が記憶されるため、引数は不要です
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # カテゴリごとのmAP50-95を含むリスト
metrics.box.image_metrics  # 画像ごとのprecision、recall、F1、TP、FP、FNを含む指標辞書

YOLOモデル検証の引数#

YOLOモデルを検証する際は、評価プロセスを最適化するために、いくつか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、性能のしきい値などを制御します。検証設定を効果的にカスタマイズできるよう、各引数の詳細を以下に説明します。

これらの設定はそれぞれ検証プロセスで重要な役割を果たし、YOLOモデルを柔軟かつ効率的に評価できます。用途や利用可能なリソースに応じてパラメーターを調整すると、精度と性能のバランスを最適化できます。

引数を指定した検証の例#

以下の例では、PythonとCLIでカスタム引数を指定してYOLOモデルを検証する方法を紹介します。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n.pt")

# 検証設定をカスタマイズします
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

# モデルを読み込む
model = YOLO("yolo26n.pt")

# 検証して画像ごとの指標にアクセスします
results = model.val(data="coco8.yaml")

# image_metricsは、画像ファイル名をキーとする辞書です
print(results.box.image_metrics)
# 出力: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# 特定の画像の指標にアクセスします
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

返される指標オブジェクトには、後続の分析に使用するエクスポート用ヘルパーも用意されています。

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

次のステップ#

指標に問題がなければ、モデルをデプロイ形式にエクスポートします。精度が不十分な場合は、戻って再学習し、ハイパーパラメーターを変更するか、学習データを追加してください。

よくある質問#