モデル検証Ultralytics YOLO

はじめに

検証は機械学習パイプラインの重要なステップであり、学習したモデルの品質を評価することができます。Ultralytics YOLOv8 の Val モードは、オブジェクト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できることを保証するために、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。

見るんだ： Ultralytics モードのチュートリアルバリデーション

なぜUltralytics YOLO で検証するのか？

YOLOv8 のバル・モードが有利な理由は以下の通り：

• 精度：mAP50、mAP75、mAP50-95のような正確なメトリクスを取得し、モデルを総合的に評価します。
• 利便性：トレーニング設定を記憶する内蔵機能を活用し、検証プロセスを簡素化。
• 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。
• ハイパーパラメータのチューニング：検証メトリクスを使用して、より良いパフォーマンスのためにモデルを微調整します。

バル・モードの主な特徴

これらは、YOLOv8 「ヴァル」モードが提供する特筆すべき機能である：

• 自動設定：モデルはトレーニングの設定を記憶し、検証を容易にします。
• マルチメトリックサポート：さまざまな精度メトリクスに基づいてモデルを評価します。
• CLI およびPython APIを使用しています：コマンドラインインターフェイスまたはPython APIから、検証のお好みに応じてお選びください。
• データ互換性：トレーニング段階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でもシームレスに動作します。

使用例

COCO8 データセットで学習済みYOLOv8n モデルの精度を検証する。として引数を渡す必要はない。 model トレーニング data と引数をモデル属性として使用します。エクスポート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("yolov8n.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=yolov8n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

YOLO モデル検証の論拠

YOLO モデルの検証では、いくつかの引数を微調整して評価プロセスを最適化することができます。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。以下は、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。特定のニーズや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、精度と性能の最適なバランスを達成することができます。

引数によるバリデーションの例

以下の例では、Python とCLI のカスタム引数を使用したYOLO モデルの検証を紹介します。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

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

yolo val model=yolov8n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0

よくあるご質問

Ultralytics を使ってYOLOv8 モデルを検証するには？

YOLOv8 モデルの検証には、Ultralytics が提供する Val モードを使うことができる。例えば、Python APIを使って、モデルをロードし、検証を実行することができます：

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # map50-95

また、コマンドラインインターフェイス(CLI)を使うこともできます：

yolo val model=yolov8n.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そして conf Python とCLI の両方のモードで。をチェックする。 YOLO モデル検証の論拠 セクションを参照のこと。

YOLOv8 モデル検証からどのような指標を得ることができますか？

YOLOv8 モデルの検証は、モデルの性能を評価するためのいくつかの重要な指標を提供する。これらには以下が含まれる：

• mAP50（IoU閾値0.5における平均平均精度）
• mAP75（IoU閾値0.75における平均平均精度）
• mAP50-95（0.5～0.95の複数のIoUしきい値にわたる平均精度）

Python API を使用すると、以下のようにこれらのメトリクス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のためには、これらの指標をすべて見直すことが極めて重要である。詳細については、「バル・モードの主な特徴」を参照。

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る：

• 精度： YOLOv8 は、mAP50、mAP75、mAP50-95を含む正確な性能指標を提供します。
• 利便性：モデルは学習設定を記憶しているため、検証は簡単です。
• 柔軟性：同一または異なるデータセットや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は、 Ultralytics YOLO で検証する理由をご覧ください。

カスタムデータセットを使ってYOLOv8 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YOLOv8 モデルを検証することができます。その場合は data 引数にデータセット設定ファイルへのパスを指定します。このファイルには、検証データへのパス、クラス名、その他の関連する詳細を含める必要があります。

Python の例：

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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=yolov8n.pt data=path/to/your/custom_dataset.yaml

バリデーション中のカスタマイズ可能なオプションについては、引数を使ったバリデーションの例を参照してください。

YOLOv8 、検証結果をJSONファイルに保存するには？

検証結果をJSONファイルに保存するには save_json 引数 True を実行する。これはPython API とCLI の両方で行うことができる。

Python の例：

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

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

CLI を使った例：

yolo val model=yolov8n.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チェックしてください。

コメント