Link to this sectionUltralytics YOLO를 사용한 모델 검증#

Link to this section소개#

검증은 머신 러닝 파이프라인에서 매우 중요한 단계로, 학습된 모델의 품질을 평가할 수 있게 해줍니다. Ultralytics YOLO26의 Val 모드는 객체 탐지 모델의 성능을 평가하기 위한 강력한 도구와 메트릭 제품군을 제공합니다. 이 가이드는 Val 모드를 효과적으로 사용하여 모델의 정확성과 신뢰성을 확보하는 방법을 이해하기 위한 종합 리소스를 제공합니다.

Link to this sectionUltralytics YOLO로 검증해야 하는 이유는 무엇입니까?#

YOLO26의 Val 모드를 사용하면 다음과 같은 이점이 있습니다:

• 정밀도: mAP50, mAP75, mAP50-95와 같은 정확한 메트릭을 확보하여 모델을 종합적으로 평가할 수 있습니다.
• 편의성: 학습 설정을 기억하는 내장 기능을 활용하여 검증 프로세스를 간소화합니다.
• 유연성: 동일하거나 다른 데이터셋 및 이미지 크기로 모델을 검증할 수 있습니다.
• 하이퍼파라미터 튜닝: 검증 메트릭을 사용하여 더 나은 성능을 위해 모델을 미세 조정할 수 있습니다.

Link to this sectionVal 모드의 주요 특징#

다음은 YOLO26의 Val 모드가 제공하는 주목할 만한 기능입니다:

• 자동 설정: 모델이 학습 구성을 기억하므로 간편하게 검증할 수 있습니다.
• 다중 메트릭 지원: 다양한 정확도 메트릭을 기반으로 모델을 평가합니다.
• CLI 및 Python API: 검증 선호도에 따라 커맨드 라인 인터페이스 또는 Python API를 선택할 수 있습니다.
• 데이터 호환성: 학습 단계에서 사용된 데이터셋뿐만 아니라 사용자 정의 데이터셋과도 원활하게 작동합니다.

Link to this section사용 예제#

학습된 YOLO26n 모델 정확도를 COCO8 데이터셋에서 검증합니다. model이 학습 data와 인수를 모델 속성으로 유지하므로 별도의 인수가 필요하지 않습니다. 검증 인수의 전체 목록은 아래의 인수 섹션을 참조하십시오.

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 모델 검증을 위한 인수#

YOLO 모델을 검증할 때 여러 인수를 미세 조정하여 평가 프로세스를 최적화할 수 있습니다. 이 인수들은 입력 이미지 크기, 배치 처리, 성능 임계값과 같은 측면을 제어합니다. 아래는 검증 설정을 효과적으로 사용자 지정하는 데 도움이 되는 각 인수에 대한 자세한 설명입니다.

이러한 각 설정은 검증 프로세스에서 중요한 역할을 하며, YOLO 모델에 대한 사용자 지정이 가능하고 효율적인 평가를 가능하게 합니다. 특정 요구 사항과 리소스에 따라 이러한 매개변수를 조정하면 정확도와 성능 사이의 최상의 균형을 달성하는 데 도움이 됩니다.

Link to this section인수를 사용한 검증 예제#

아래 예제는 Python 및 CLI에서 사용자 지정 인수를 사용한 YOLO 모델 검증을 보여줍니다.

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}

자세한 내용은 DataExportMixin 클래스 문서를 참조하십시오.

Link to this sectionFAQ#

Link to this sectionUltralytics를 사용하여 YOLO26 모델을 검증하려면 어떻게 해야 합니까?#

YOLO26 모델을 검증하려면 Ultralytics에서 제공하는 Val 모드를 사용할 수 있습니다. 예를 들어, Python API를 사용하면 모델을 로드하고 다음 명령으로 검증을 실행할 수 있습니다:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

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

또는 커맨드 라인 인터페이스(CLI)를 사용할 수 있습니다:

yolo val model=yolo26n.pt

추가 사용자 지정을 위해 Python 및 CLI 모드 모두에서 imgsz, batch, conf와 같은 다양한 인수를 조정할 수 있습니다. 전체 매개변수 목록은 YOLO 모델 검증을 위한 인수 섹션을 확인하십시오.

Link to this sectionYOLO26 모델 검증에서 어떤 메트릭을 얻을 수 있습니까?#

YOLO26 모델 검증은 모델 성능을 평가하기 위한 몇 가지 주요 메트릭을 제공합니다. 여기에는 다음이 포함됩니다:

• mAP50 (IoU 임계값 0.5에서의 평균 정밀도)
• mAP75 (IoU 임계값 0.75에서의 평균 정밀도)
• mAP50-95 (0.5에서 0.95까지 여러 IoU 임계값에 걸친 평균 정밀도)

Python API를 사용하여 다음과 같이 이러한 메트릭에 접근할 수 있습니다:

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

완벽한 성능 평가를 위해서는 이러한 모든 메트릭을 검토하는 것이 중요합니다. 자세한 내용은 Val 모드의 주요 특징을 참조하십시오.

Link to this sectionUltralytics YOLO를 검증에 사용할 때의 장점은 무엇입니까?#

검증에 Ultralytics YOLO를 사용하면 여러 장점이 있습니다:

• 정밀도: YOLO26은 mAP50, mAP75 및 mAP50-95를 포함한 정확한 성능 메트릭을 제공합니다.
• 편의성: 모델이 학습 설정을 기억하므로 검증이 간단해집니다.
• 유연성: 동일하거나 다른 데이터셋 및 이미지 크기에 대해 검증할 수 있습니다.
• 하이퍼파라미터 튜닝: 검증 메트릭은 더 나은 성능을 위해 모델을 미세 조정하는 데 도움이 됩니다.

이러한 이점은 모델이 철저하게 평가되고 우수한 결과를 위해 최적화될 수 있도록 보장합니다. 이러한 장점에 대한 자세한 내용은 Ultralytics YOLO로 검증해야 하는 이유 섹션을 참조하십시오.

Link to this section사용자 정의 데이터셋을 사용하여 YOLO26 모델을 검증할 수 있습니까?#

네, 사용자 정의 데이터셋을 사용하여 YOLO26 모델을 검증할 수 있습니다. 데이터셋 구성 파일의 경로와 함께 data 인수를 지정하십시오. 이 파일에는 검증 데이터에 대한 경로가 포함되어야 합니다.

Python 예제:

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 사용 예제:

yolo val model=yolo26n.pt data=path/to/your/custom_dataset.yaml

검증 중 더 많은 사용자 지정 옵션을 보려면 인수를 사용한 검증 예제 섹션을 참조하십시오.

Link to this sectionYOLO26에서 검증 결과를 JSON 파일로 저장하려면 어떻게 해야 합니까?#

검증 결과를 JSON 파일로 저장하려면 검증 실행 시 save_json 인수를 True로 설정할 수 있습니다. 이는 Python API와 CLI 모두에서 수행할 수 있습니다.

Python 예제:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

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

CLI 사용 예제:

yolo val model=yolo26n.pt save_json=True

이 기능은 추가 분석이나 다른 도구와의 통합에 특히 유용합니다. 자세한 내용은 YOLO 모델 검증을 위한 인수를 확인하십시오.