Ultralytics YOLOによるモデル検証#

はじめに#

バリデーション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ことができます。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のスイートを提供します。このガイドは、モデルが正確で信頼性の高いものであることを確認するために、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して機能します。

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: バリデーション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。

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。

使用例#

COCO8データセットでトレーニング済みのYOLO26nモデルの精度を検証します。modelはトレーニング時のdataと引数をモデル属性として保持するため、引数は必要ありません。バリデーション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

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。

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。

次のステップ#

メトリクスに満足しましたか？モデルをエクスポートしてデプロイメント形式にします。精度がずれている場合は、異なるハイパーパラメータまたはより多くのトレーニングデータを使用して戻って再トレーニングしてください。

よくある質問 (FAQ)#