Ultralytics YOLO를 사용한 모델 검증#

소개#

검증은 머신 러닝 파이프라인에서 중요한 단계이며, 학습된 모델의 품질을 평가할 수 있도록 합니다. Ultralytics YOLO26의 Val 모드는 객체 검출 모델의 성능을 평가하기 위한 강력한 도구와 지표를 제공합니다. 이 가이드는 모델이 정확하고 안정적인지 확인하기 위해 Val 모드를 효과적으로 사용하는 방법을 이해하는 데 필요한 전체 리소스를 제공합니다.

예비 검증 결과는 미출시 YOLO27 미리보기를 참조하십시오.

Ultralytics YOLO로 검증해야 하는 이유#

YOLO26의 Val 모드를 사용하면 다음과 같은 이점이 있습니다.

• 정밀도: mAP50, mAP75, mAP50-95와 같은 정확한 지표를 통해 모델을 종합적으로 평가할 수 있습니다.
• 편의성: 학습 설정을 기억하는 기본 제공 기능을 활용하여 검증 프로세스를 간소화할 수 있습니다.
• 유연성: 동일하거나 다른 데이터셋과 이미지 크기를 사용하여 모델을 검증할 수 있습니다.
• 하이퍼파라미터 튜닝: 검증 지표를 사용하여 모델을 미세 조정하고 성능을 향상할 수 있습니다.

Val 모드의 주요 기능#

YOLO26의 Val 모드에서 제공하는 주요 기능은 다음과 같습니다.

• 자동 설정: 모델이 학습 구성을 기억하므로 간편하게 검증할 수 있습니다.
• 다중 지표 지원: 다양한 정확도 지표를 기준으로 모델을 평가할 수 있습니다.
• CLI 및 Python API: 검증 방식에 따라 명령줄 인터페이스 또는 Python API를 선택할 수 있습니다.
• 데이터 호환성: 학습 단계에서 사용한 데이터셋뿐만 아니라 사용자 지정 데이터셋에서도 원활하게 작동합니다.

사용 예시#

COCO8 데이터셋에서 학습된 YOLO26n 모델의 정확도를 검증합니다. model이 학습 data 및 인수를 모델 속성으로 유지하므로 인수가 필요하지 않습니다. 검증 인수의 전체 목록은 아래의 Arguments 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

YOLO 모델 검증 인수#

YOLO 모델을 검증할 때 여러 인수를 미세 조정하여 평가 프로세스를 최적화할 수 있습니다. 이러한 인수는 입력 이미지 크기, 배치 처리, 성능 임계값 등의 요소를 제어합니다. 다음은 검증 설정을 효과적으로 사용자 지정할 수 있도록 각 인수를 자세히 설명한 내용입니다.

이러한 각 설정은 검증 프로세스에서 중요한 역할을 하며, YOLO 모델을 사용자 지정 가능하고 효율적으로 평가할 수 있도록 합니다. 특정 요구 사항과 리소스에 맞게 이러한 매개변수를 조정하면 정확도와 성능 사이에서 최적의 균형을 달성하는 데 도움이 됩니다.

인수를 사용한 검증 예시#

다음 예시는 Python 및 CLI에서 사용자 지정 인수를 사용하여 YOLO 모델을 검증하는 방법을 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}

반환된 메트릭 객체는 다운스트림 분석을 위한 내보내기 도우미도 제공합니다.

자세한 내용은 DataExportMixin 클래스 문서를 참조하십시오.

다음 단계#

지표가 만족스러우신가요? 모델을 내보내 배포 형식으로 변환하십시오. 정확도가 기대에 미치지 못하면 다른 하이퍼파라미터 또는 더 많은 학습 데이터를 사용하여 돌아가서 다시 학습하십시오.

FAQ#