Ultralytics YOLO를 사용한 모델 검증

소개

검증은 머신 러닝 파이프라인에서 중요한 단계로, 훈련된 모델의 품질을 평가할 수 있게 해줍니다. Ultralytics YOLO26의 Val 모드는 객체 탐지 모델의 성능을 평가하기 위한 강력한 도구 및 지표 모음을 제공합니다. 이 가이드는 Val 모드를 효과적으로 사용하여 모델의 정확성과 신뢰성을 보장하는 방법을 이해하기 위한 완벽한 리소스입니다.

Ultralytics YOLO로 검증해야 하는 이유는 무엇인가요?

YOLO26의 Val 모드를 사용하는 것이 유리한 이유는 다음과 같습니다:

• 정밀도: mAP50, mAP75, mAP50-95와 같은 정확한 지표를 얻어 모델을 포괄적으로 평가할 수 있습니다.
• 편의성: 훈련 설정을 기억하는 내장 기능을 활용하여 검증 과정을 간소화할 수 있습니다.
• 유연성: 동일하거나 다른 데이터셋 및 이미지 크기로 모델을 검증할 수 있습니다.
• 하이퍼파라미터 튜닝: 검증 지표를 사용하여 더 나은 성능을 위해 모델을 미세 조정할 수 있습니다.

Val 모드의 주요 기능

다음은 YOLO26의 Val 모드가 제공하는 주목할 만한 기능입니다:

• 자동 설정: 모델이 훈련 구성을 기억하여 간단한 검증이 가능합니다.
• 다중 지표 지원: 다양한 정확도 지표를 기반으로 모델을 평가할 수 있습니다.
• CLI 및 Python API: 검증 선호도에 따라 명령줄 인터페이스 또는 Python API 중 선택할 수 있습니다.
• 데이터 호환성: 훈련 단계에서 사용된 데이터셋뿐만 아니라 사용자 정의 데이터셋과도 원활하게 작동합니다.

사용 예시

COCO8 데이터셋에서 훈련된 YOLO26n 모델의 정확도를 검증합니다. model이 훈련 data와 인수를 모델 속성으로 유지하므로 별도의 인수가 필요하지 않습니다. 전체 검증 인수 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

YOLO 모델 검증을 위한 인수

YOLO 모델을 검증할 때 평가 과정을 최적화하기 위해 여러 인수를 미세 조정할 수 있습니다. 이러한 인수는 입력 이미지 크기, 배치 처리, 성능 임계값과 같은 측면을 제어합니다. 검증 설정을 효과적으로 사용자 정의할 수 있도록 각 인수에 대한 자세한 설명을 아래에 제공합니다.

이러한 각 설정은 검증 과정에서 중요한 역할을 하며, YOLO 모델에 대한 맞춤형의 효율적인 평가를 가능하게 합니다. 특정 요구 사항과 리소스에 따라 이러한 매개변수를 조정하면 정확도와 성능 간의 최상의 균형을 달성하는 데 도움이 됩니다.

인수를 사용한 검증 예시

아래 예시는 Python과 CLI에서 사용자 정의 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}

자세한 내용은 DataExportMixin 클래스 문서를 참조하십시오.

FAQ

Ultralytics에서 YOLO26 모델을 어떻게 검증하나요?

YOLO26 모델을 검증하려면 Ultralytics에서 제공하는 Val 모드를 사용할 수 있습니다. 예를 들어 Python API를 사용하여 모델을 로드하고 다음과 같이 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 명령줄 인터페이스(CLI)를 사용할 수도 있습니다:

yolo val model=yolo26n.pt

추가 사용자 정의를 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.

YOLO26 모델 검증에서 어떤 지표를 얻을 수 있나요?

YOLO26 모델 검증은 모델 성능을 평가하기 위한 몇 가지 주요 지표를 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 지표에 액세스할 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

완전한 성능 평가를 위해서는 이러한 모든 지표를 검토하는 것이 중요합니다. 자세한 내용은 Val 모드의 주요 기능을 참조하십시오.

검증을 위해 Ultralytics YOLO를 사용하는 것의 장점은 무엇인가요?

검증에 Ultralytics YOLO를 사용하면 몇 가지 장점이 있습니다:

• 정밀도: YOLO26은 mAP50, mAP75, mAP50-95를 포함한 정확한 성능 지표를 제공합니다.
• 편의성: 모델이 훈련 설정을 기억하므로 검증이 간편합니다.
• 유연성: 동일하거나 다른 데이터셋 및 이미지 크기에 대해 검증할 수 있습니다.
• 하이퍼파라미터 튜닝: 검증 지표는 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 왜 Ultralytics YOLO로 검증하는가 섹션에서 확인하십시오.

사용자 정의 데이터셋을 사용하여 YOLO26 모델을 검증할 수 있나요?

네, 사용자 정의 데이터셋을 사용하여 YOLO26 모델을 검증할 수 있습니다. 데이터셋 구성 파일의 경로를 data 인수에 지정하십시오. 이 파일에는 검증 데이터 경로가 포함되어야 합니다.

Python 예시:

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 예시:

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

검증 중 더 많은 사용자 정의 옵션을 보려면 인수를 사용한 검증 예시 섹션을 참조하십시오.

YOLO26에서 검증 결과를 JSON 파일로 저장하려면 어떻게 하나요?

검증 결과를 JSON 파일로 저장하려면 검증을 실행할 때 save_json 인수를 True로 설정하면 됩니다. 이는 Python API와 CLI 모두에서 수행할 수 있습니다.

Python 예시:

from ultralytics import YOLO

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

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

CLI 사용 예시:

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.