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ステップであり、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、物体検出モデルと、その他すべての対応タスクを評価するためのツールや指標を提供します。このガイドでは、Valモードを使用してモデルの精度と信頼性を確認する方法を説明します。

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。

視聴: Ultralytics のモード解説: 検証

Ultralytics YOLOで検証する理由#

YOLO26のValモードを使用する理由：

• 精度： mAP50-95をはじめ、mAP50やmAP75などの正確な指標を使用して、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モードの主な機能：

• 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。
• 複数指標への対応： さまざまな精度指標を使用してモデルを評価できます。
• CLIとPython API： コマンドラインインターフェースまたはPython APIから、好みの方法で検証を実行できます。
• 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にも対応します。

使用例#

トレーニング済みのYOLO26nモデルの精度を検証します。modelにはトレーニング時のdataと引数がモデル属性として保持されるため、引数を指定する必要はありません。path/to/best.ptは、トレーニングに使用したデータセットで検証を実行します。公式の重みには、使用しているマシン上に存在しないトレーニングデータセットのパスが記録されているため、警告を出してタスクのデフォルトである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。

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  # クラスごとの mAP50-95。検証セットに存在しないクラスには全体の mAP が設定されます
metrics.box.ap_class_index  # 実際に評価されたクラスのインデックス
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、評価プロセスを調整するために複数の引数を変更できます。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。各引数について以下で説明します。

これらの設定をニーズやリソースに合わせて調整すると、評価の精度と速度の適切なバランスを実現できます。

矩形検証のジオメトリ (rect)#

静的エクスポートの検証には、正方形でないエクスポートも含め、記録された (height, width) の入力形状が使用されます。たとえば、モデルが imgsz=(384, 640) を使用してエクスポートされた場合、YOLO("yolo26n.onnx").val(data="coco8.yaml") は 384×640 の入力を使用します。

検出、インスタンスセグメンテーション、姿勢推定、OBBでは、矩形検証 (rect=True) により、各バッチ次元が ceil(shape * imgsz / stride + 0.5) * stride を使用して切り上げられます。ここで shape は、バッチの正規化された高さまたは幅です。結果として生じるパディングは、向かい合う辺に分割されます。たとえば、正方形の640×640画像を imgsz=640 で検証する場合、ストライド32では672×672の入力が使用され、各辺に16 pxのパディングが追加されます。一方、predict() ではパディングなしの640×640が使用されます。

この違いは検証指標に影響する場合があります。正方形でストライドに整合した入力の場合、model.val(rect=False) は predict() および正方形の固定形状エクスポートと同じジオメトリになります。トレーニング中、これらのYOLOタスクではトレーニングの rect 設定にかかわらず矩形検証バッチが使用されるため、model.train(rect=False) は矩形検証を使用して引き続き best.pt を選択します。その他のタスクでは動作が異なります。セマンティックセグメンテーションでは検証時に追加のパディングは行われず、深度推定では矩形検証が無効になり、分類では rect が無視され、RT-DETRでは独自のデータセットビルダーと rect=False が使用されます。

引数を指定した検証の例#

視聴: モデルの検証結果を CSV、JSON、SQL、Polars DataFrame などにエクスポートする方法

以下の例では、PythonとCLIでカスタム引数を指定してYOLOモデルの検証を実行します。

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}

返されるメトリクスオブジェクトには、後続の分析に使用できるDataExportMixinのエクスポート用ヘルパーも用意されています。

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#