Ultralytics YOLO를 사용한 모델 검증#

소개#

검증은 머신러닝 파이프라인의 핵심 단계로, 학습된 모델의 품질을 평가할 수 있게 합니다. Ultralytics YOLO26의 Val 모드는 객체 탐지 모델의 성능을 평가하기 위한 강력한 도구와 메트릭 모음을 제공합니다. 이 가이드에서는 모델의 정확성과 신뢰성을 확인하기 위해 Val 모드를 효과적으로 사용하는 방법을 종합적으로 설명합니다.

예비 검증 결과는 미출시 YOLO27 프리뷰를 참조하세요.

Ultralytics YOLO로 검증해야 하는 이유#

YOLO26의 Val 모드를 사용하면 다음과 같은 이점이 있습니다:

• 정밀도: mAP50, mAP75, mAP50-95와 같은 정확한 지표를 확인하여 모델을 종합적으로 평가할 수 있습니다.
• 편의성: 학습 설정을 기억하는 내장 기능을 활용하여 검증 프로세스를 간소화할 수 있습니다.
• 유연성: 동일하거나 서로 다른 데이터셋과 이미지 크기로 모델을 검증할 수 있습니다.
• 하이퍼파라미터 튜닝: 검증 지표를 사용하여 모델을 미세 조정하고 성능을 개선할 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: 선호하는 방식에 따라 명령줄 인터페이스 또는 Python API를 사용하여 검증할 수 있습니다.
• 데이터 호환성: 학습 단계에서 사용한 데이터셋은 물론 사용자 지정 데이터셋에서도 원활하게 작동합니다.

사용 예시#

학습된 YOLO26n 모델의 정확도를 검증합니다. model은 학습 data 및 인수를 모델 속성으로 유지하므로 인수는 필요하지 않습니다. path/to/best.pt은 모델을 학습한 데이터셋에서 검증합니다. 공식 가중치에는 현재 시스템에 존재하지 않는 학습 데이터셋 경로가 기록되어 있으므로 경고와 함께 작업의 기본 coco8.yaml로 대체됩니다. 다른 데이터셋에서 검증하려면 data를 전달합니다. 검증 인수 전체 목록은 아래의 Arguments 섹션을 참조하세요.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n.pt")  # 공식 모델을 불러옵니다
model = YOLO("path/to/best.pt")  # 사용자 지정 모델 로드

# 모델을 검증합니다
metrics = model.val()  # 데이터셋과 설정이 기억되므로 인수가 필요하지 않습니다
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # 각 카테고리의 mAP50-95를 포함하는 목록
metrics.box.image_metrics  # 정밀도, 재현율, F1, TP, FP, FN이 포함된 이미지별 지표 사전

YOLO 모델 검증 인수#

YOLO 모델을 검증할 때는 평가 프로세스를 최적화하기 위해 여러 인수를 미세 조정할 수 있습니다. 이 인수는 입력 이미지 크기, 배치 처리, 성능 임계값 등의 요소를 제어합니다. 아래에서는 검증 설정을 효과적으로 사용자 지정할 수 있도록 각 인수를 자세히 설명합니다.

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

인수를 사용한 검증 예시#

아래 예시에서는 Python과 CLI에서 사용자 지정 인수를 사용하여 YOLO 모델을 검증하는 방법을 보여 줍니다.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n.pt")

# 검증 설정을 사용자 지정합니다
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

# 모델 로드
model = YOLO("yolo26n.pt")

# 검증을 수행하고 이미지별 지표에 액세스합니다
results = model.val(data="coco8.yaml")

# image_metrics는 이미지 파일명을 키로 사용하는 사전입니다
print(results.box.image_metrics)
# 출력: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# 특정 이미지의 지표에 액세스합니다
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

반환되는 지표 객체에는 후속 분석을 위한 내보내기 도우미도 포함됩니다:

자세한 내용은 DataExportMixin 클래스 문서를 참조하세요.

다음 단계#

지표가 만족스러우신가요? 모델을 배포 형식으로 내보내세요. 정확도가 기대에 못 미치면 다른 하이퍼파라미터를 사용하거나 학습 데이터를 추가하여 돌아가서 다시 학습하세요.

자주 묻는 질문#