Ultralytics YOLO を使用したモデルの検証

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、学習済みモデルの品質を評価することができます。Ultralytics YOLO11 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指標のスイートを提供します。このガイドは、Val モードを効果的に使用して、モデルが正確かつ信頼できるものであることを保証する方法を理解するための完全なリソースとして役立ちます。

見る: Ultralyticsモードチュートリアル：検証

Ultralytics YOLOで検証する理由

YOLO11のValモードを使用する利点は以下のとおりです。

• 適合率: mAP50、mAP75、mAP50-95 などの正確な指標を取得して、モデルを包括的に評価します。
• 利便性: トレーニング設定を記憶する組み込み機能を利用して、検証プロセスを簡素化します。
• 柔軟性: 同じまたは異なるデータセットと画像サイズでモデルを検証します。
• Hyperparameter Tuning（ハイパーパラメータ調整）：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。

Valモードの主な特徴

以下は、YOLO11のValモードが提供する主な機能です。

• 自動設定: モデルは、簡単な検証のためにトレーニング構成を記憶します。
• マルチメトリックサポート: さまざまな精度メトリックに基づいてモデルを評価します。
• CLIとpython API: 検証には、コマンドラインインターフェースまたはpython APIをお好みに応じて選択してください。
• データの互換性: トレーニング段階で使用されるデータセットとカスタムデータセットの両方でシームレスに動作します。

使用例

学習済み YOLO11n モデルの検証 精度 COCO8データセットで実行します。引数は必要ありません。 model 学習内容を保持 data および引数をモデル属性として追加します。検証引数の完全なリストについては、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("yolo11n.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 contains map50-95 of each category

yolo detect val model=yolo11n.pt      # val official model
yolo detect val model=path/to/best.pt # val custom model

YOLOモデル検証の引数

YOLOモデルを検証する場合、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、入力画像のサイズ、バッチ処理、パフォーマンスのしきい値などの側面を制御します。以下は、検証設定を効果的にカスタマイズするのに役立つ各引数の詳細な内訳です。

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。

引数を使った検証の例

見る: モデル検証結果をCSV、JSON、SQL、Polar DataFrameなどでエクスポートする方法

以下の例は、pythonとCLIでカスタム引数を使用したYOLOモデルの検証を示しています。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Customize validation settings
metrics = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.6, device="0")

yolo val model=yolo11n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

results = model.val(data="coco8.yaml", plots=True)
print(results.confusion_matrix.to_df())

詳細については、 DataExportMixin classドキュメント.

よくある質問

UltralyticsでYOLO11モデルを検証するにはどうすればよいですか？

YOLO11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。たとえば、python APIを使用して、モデルをロードし、次のように検証を実行できます。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt

さらにカスタマイズするには、次のようなさまざまな引数を調整できます。 imgsz, batch、および conf pythonとCLIの両方のモードで利用できます。詳細は YOLOモデル検証の引数 セクションで、パラメータの完全なリストをご覧ください。

YOLO11 モデルの検証から、どのような指標を得られますか？

YOLO11モデルの検証では、モデルのパフォーマンスを評価するためのいくつかの重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閾値0.5における平均適合率）
• mAP75（IoU閾値0.75における平均適合率）
• mAP50-95（IoU閾値0.5から0.95までの複数閾値における平均適合率）

Python API を使用すると、これらのメトリクスに次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

完全なパフォーマンス評価を行うには、これらのすべての指標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。

Ultralytics YOLOを検証に使用する利点は何ですか？

Ultralytics YOLO を検証に使用すると、いくつかの利点があります。

• Precision（精度）： YOLO11は、mAP50、mAP75、mAP50-95などの正確なパフォーマンス指標を提供します。
• 利便性: モデルは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: 同じまたは異なるデータセットおよび画像サイズに対して検証できます。
• ハイパーパラメータの調整: 検証メトリクスは、パフォーマンスを向上させるためのモデル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。これらの利点の詳細については、Ultralytics YOLOで検証する理由セクションをご覧ください。

カスタムデータセットを使用してYOLO11モデルを検証できますか？

はい、YOLO11モデルを検証するために、 カスタムデータセット。以下を指定します: data データセット構成ファイルへのパスを持つ引数。このファイルには、へのパスが含まれている必要があります 検証データ、クラス名、およびその他の関連する詳細が含まれています。

pythonでの例：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Validate with a custom dataset
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

CLIを使った例:

yolo val model=yolo11n.pt data=path/to/your/custom_dataset.yaml

検証中に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セクションを参照してください。

YOLO11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、以下を設定します。 save_json への引数 True 検証を実行する場合。これは、Python APIとCLIの両方で実行できます。

pythonでの例：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Save validation results to JSON
metrics = model.val(save_json=True)

CLIを使った例:

yolo val model=yolo11n.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モデル検証の引数を確認してください。

📅 1年前に作成 ✏️ 5日前に更新

コメント