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いて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モードでは、物体検出モデルの性能を評価するための堅牢なツール群と指標が提供されます。本ガイドは、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リソースです。

なぜUltralytics YOLOで検証を行うのか？

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といった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: トレーニング設定を記憶する内蔵機能を活用することで、検証プロセスを簡素化できます。
• 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チューニング: 検証指標を使用してモデルを微調整し、さらなる性能向上を図ることができます。

Valモードの主な機能

YOLO26のValモードが提供する注目すべき機能は以下の通りです：

• 自動設定: モデルはトレーニング時の構成を記憶しているため、検証を容易に行えます。
• マルチメトリックサポート: 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を選択可能です。
• データの互換性: トレーニングフェーズで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ともシームレスに連携します。

使用例

トレーニング済みのYOLO26nモデルの精度をCOCO8データセットで検証します。modelがトレーニング時のdataや引数を属性として保持しているため、引数は不要です。検証用引数の全リストについては、以下の引数のセクションを参照してください。

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

YOLOモデル検証のための引数

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、入力画像のサイズ、バッチ処理、パフォーマンスしきい値などを制御します。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示します。

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かつ効率的な評価を実現します。特定のニーズやリソースに合わせ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。

引数を使用した検証例

以下の例では、PythonとCLIを使用してカスタム引数でYOLOモデルの検証を行う方法を示します。

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 クラスのドキュメントを参照してください。

FAQ

Ultralyticsを使用して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モードを使用します。例えば、Python APIを使用してモデルを読み込み、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) を使用することも可能です：

yolo val model=yolo26n.pt

さらなるカスタマイズを行うために、PythonモードとCLIモードの両方で imgsz、batch、conf などのさまざま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モデル検証のための引数のセクションを確認してください。

YOLO26モデルの検証からどのような指標を得られますか？

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指標が提供されます。これには以下が含まれます：

• mAP50（IoUしきい値0.5における平均適合率）
• mAP75（IoUしきい値0.75における平均適合率）
• 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適合率）

Python APIを使用すると、以下のようにこれらの指標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

完全な性能評価のためには、これらすべての指標を確認することが不可欠です。詳細は、Valモードの主な機能を参照してください。

検証にUltralytics YOLOを使用する利点は何ですか？

検証にUltralytics YOLOを使用することには、いくつかの利点があります：

• 精度: YOLO26は、mAP50、mAP75、mAP50-95を含む正確な性能指標を提供します。
• 利便性: モデルがトレーニング設定を記憶しているため、検証が簡単です。
• 柔軟性: 同じデータセットや画像サイズ、あるいは異なるデータセットや画像サイズに対して検証を行えます。
• ハイパーパラメータチューニング: 検証指標は、モデルの性能を向上させるため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されます。これらの利点の詳細については、なぜUltralytics YOLOで検証を行うのかのセクションで学習してください。

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指定して data 引数を使用してください。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

検証中に利用可能なよりカスタマイズ可能なオプションについては、引数を使用した検証例のセクションを参照してください。

YOLO26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、検証実行時に save_json 引数を True に設定します。これはPython APIとCLIの両方で行えます。

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、さらなる分析や他のツールとの統合に特に役立ちます。詳細はYOLOモデル検証のための引数を確認してください。