Ultralytics YOLO를 사용한 모델 검증#

소개#

검증은 machine learning 파이프라인에서 매우 중요한 단계로, 학습된 모델의 품질을 평가할 수 있게 해줍니다. Ultralytics YOLO26의 Val 모드는 object detection 모델의 성능을 평가하기 위한 강력한 도구 모음과 지표를 제공합니다. 이 가이드는 모델의 정확성과 신뢰성을 보장하기 위해 Val 모드를 효과적으로 사용하는 방법을 이해하는 데 필요한 종합적인 리소스 역할을 합니다.

Ultralytics 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.
• Hyperparameter Tuning: 검증 지표를 사용하여 더 나은 성능을 위해 모델을 세부 조정합니다.

Val 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.

사용 예제#

COCO8 데이터셋에서 학습된 YOLO26n 모델 accuracy를 검증합니다. model은 학습된 data 및 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 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.

인수를 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 참조하세요.

다음 단계#

지표가 마음에 드시나요? 모델을 배포 형식으로 내보내세요. 정확도가 떨어지는 경우, 다른 하이퍼파라미터나 더 많은 학습 데이터를 사용하여 돌아가서 다시 학습하세요.

FAQ#

Ultralytics를 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

추가적인 맞춤설정을 위해 Python 및 CLI 모드 모두에서 imgsz, batch, conf와 같은 다양한 인수를 조정할 수 있습니다. 전체 매개변수 목록은 Arguments for YOLO Model Validation 섹션을 확인하세요.

YOLO26 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 지표를 검토하는 것이 중요합니다. 자세한 내용은 Key Features of Val Mode를 참조하세요.

Ultralytics YOLO를 검증에 사용할 때의 장점은 무엇입니까?#

검증에 Ultralytics YOLO를 사용하면 여러 장점이 있습니다:

• Precision: YOLO26은 mAP50, mAP75, mAP50-95를 포함한 정확한 성능 지표를 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 이점 덕분에 모델이 철저하게 평가되고 우수한 결과를 위해 최적화될 수 있습니다. 이러한 장점에 대한 자세한 내용은 Why Validate with Ultralytics YOLO 섹션에서 확인하세요.

사용자 정의 데이터셋을 사용하여 YOLO26 모델을 검증할 수 있습니까?#

네, 커스텀 데이터셋을 사용하여 YOLO26 모델을 검증할 수 있습니다. 검증 데이터의 경로가 포함되어야 하는 데이터셋 YAML의 경로와 함께 data 인자를 지정하세요. 분류의 경우 데이터셋 디렉토리 또는 내장 데이터셋 이름(예: imagenet10)을 대신 사용합니다.

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 맞춤설정 옵션은 Example Validation with Arguments 섹션을 참조하세요.

YOLO26에서 검증 결과를 JSON 파일로 저장하려면 어떻게 해야 합니까?#

검증 결과를 JSON 파일로 저장하려면 검증 실행 시 save_json 인수를 True로 설정하면 됩니다. 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 Arguments for YOLO Model Validation을 확인하세요.