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不可欠なステップであり、学習済みモデルの品質を評価することができます。Ultralytics YOLO26のValモードは、物体検出モデルの性能を評価するための堅牢なツールとメトリクスのスイートを提供します。このガイドは、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理解するための完全なリソースとなります。

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を利用することで、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モードが提供する注目すべき機能は以下の通りです：

• 自動設定: モデルが学習時の構成を記憶しているため、検証が容易に行えます。
• マルチメトリクスサポート: さまざまな精度メトリクスに基づいてモデルを評価します。
• CLIとPython API: 検証の好みに合わせて、コマンドラインインターフェースまたはPython APIから選択できます。
• データ互換性: 学習フェーズで使用され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動作します。

Link to this section使用例#

COCO8データセットで学習済みYOLO26nモデルの精度を検証します。modelは学習時のdataおよび引数をモデル属性として保持しているため、引数は不要です。検証引数の完全なリストについては、以下の「引数」セクションを参照してください。

from ultralytics import YOLO

# 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、入力画像サイズ、バッチ処理、パフォーマンスしきい値などの側面を制御します。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内訳を示します。

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実現できます。

Link to this section引数を使用した検証の例#

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

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 sectionよくある質問 (FAQ)#

Link to this sectionUltralytics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モードを使用できます。例えば、Python APIを使用する場合、モデルをロードして以下のように検証を実行できます：

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

さらなるカスタマイズについては、PythonおよびCLIの両方のモードで 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重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しきい値における平均適合率）

Python APIを使用して、これらのメトリクスに以下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

完全なパフォーマンス評価を行うには、これらすべてのメトリクスを確認することが重要です。詳細については、Valモードの主な機能を参照してください。

Link to this section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を含む正確なパフォーマンスメトリクスを提供します。
• 利便性: モデルが学習設定を記憶しているため、検証が簡単に行えます。
• 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: 検証メトリクスは、より良いパフォーマンスのためにモデルを微調整するのに役立ちます。

これらの利点により、モデルが徹底的に評価され、優れた結果を得るために最適化されることが保証されます。これらの利点についての詳細は、なぜUltralytics YOLOで検証するのかセクションで確認してください。

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。data引数にデータセット構成ファイルへのパスを指定してください。このファイルには、検証データへのパスが含まれている必要があります。

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