Validação do modelo com Ultralytics YOLO

Introdução

A validação é um passo crítico no pipeline de aprendizagem automática, permitindo-lhe avaliar a qualidade dos seus modelos treinados. O modo Val em Ultralytics YOLO11 fornece um conjunto robusto de ferramentas e métricas para avaliar o desempenho dos seus modelos de deteção de objectos. Este guia serve como um recurso completo para compreender como utilizar eficazmente o modo Val para garantir que os seus modelos são precisos e fiáveis.

Ver: Ultralytics Tutorial de modos: Validação

Porquê validar com Ultralytics YOLO ?

Eis por que razão é vantajoso utilizar o modo Val do YOLO11:

• Precisão: Obtenha métricas exactas como mAP50, mAP75 e mAP50-95 para avaliar exaustivamente o seu modelo.
• Conveniência: Utilize funcionalidades incorporadas que memorizam as definições de formação, simplificando o processo de validação.
• Flexibilidade: Valide o seu modelo com os mesmos ou diferentes conjuntos de dados e tamanhos de imagem.
• Ajuste de hiperparâmetros: Utilize métricas de validação para afinar o seu modelo e obter um melhor desempenho.

Principais caraterísticas do modo Val

Estas são as funcionalidades notáveis oferecidas pelo modo Val do YOLO11:

• Configurações automatizadas: Os modelos recordam as suas configurações de treino para uma validação direta.
• Suporte Multi-Métrico: Avalie o seu modelo com base numa série de métricas de precisão.
• CLI e Python API: Escolha entre a interface de linha de comandos ou a API Python com base na sua preferência de validação.
• Compatibilidade de dados: Funciona sem problemas com conjuntos de dados utilizados durante a fase de formação, bem como com conjuntos de dados personalizados.

Exemplos de utilização

Validar o modelo YOLO11n treinado exatidão no conjunto de dados COCO8. Não são necessários argumentos, uma vez que o model mantém a sua formação data e argumentos como atributos do modelo. Consulte a secção Argumentos abaixo para obter uma lista completa dos argumentos de exportação.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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 contains map50-95 of each category

yolo detect val model=yolo11n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

Argumentos para YOLO Validação de modelos

Ao validar os modelos YOLO , vários argumentos podem ser ajustados para otimizar o processo de avaliação. Esses argumentos controlam aspectos como o tamanho da imagem de entrada, o processamento em lote e os limites de desempenho. Abaixo está uma análise detalhada de cada argumento para ajudá-lo a personalizar as configurações de validação de forma eficaz.

Cada uma destas definições desempenha um papel vital no processo de validação, permitindo uma avaliação personalizável e eficiente dos modelos YOLO . O ajuste destes parâmetros de acordo com as suas necessidades e recursos específicos pode ajudar a obter o melhor equilíbrio entre precisão e desempenho.

Exemplo de validação com argumentos

Os exemplos abaixo mostram a validação do modelo YOLO com argumentos personalizados em Python e CLI.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Customize validation settings
validation_results = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.6, device="0")

yolo val model=yolo11n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0

FAQ

Como posso validar o meu modelo YOLO11 com Ultralytics?

Para validar o modelo YOLO11 , é possível usar o modo Val fornecido por Ultralytics. Por exemplo, usando a API Python , é possível carregar um modelo e executar a validação com:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

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

Em alternativa, pode utilizar a interface de linha de comandos (CLI):

yolo val model=yolo11n.pt

Para uma maior personalização, pode ajustar vários argumentos como imgsz, batche conf em ambos os modos Python e CLI . Verifique o Argumentos para YOLO Validação de modelos para obter a lista completa de parâmetros.

Que métricas posso obter da validação do modelo YOLO11 ?

YOLO11 A validação do modelo fornece vários indicadores-chave para avaliar o desempenho do modelo. Estes incluem:

• mAP50 (precisão média no limiar 0,5 da IoU)
• mAP75 (precisão média média no limiar 0,75 da IoU)
• mAP50-95 (precisão média média em vários limiares de IoU de 0,5 a 0,95)

Utilizando a API Python , é possível aceder a estas métricas da seguinte forma:

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

Para uma avaliação completa do desempenho, é crucial rever todas estas métricas. Para mais pormenores, consulte as Principais caraterísticas do modo Val.

Quais são as vantagens de utilizar Ultralytics YOLO para validação?

A utilização do sítio Ultralytics YOLO para validação apresenta várias vantagens:

• Precisão: YOLO11 oferece métricas de desempenho exactas, incluindo mAP50, mAP75 e mAP50-95.
• Conveniência: Os modelos memorizam as suas definições de treino, tornando a validação simples.
• Flexibilidade: Pode validar com os mesmos ou diferentes conjuntos de dados e tamanhos de imagem.
• Afinação de hiperparâmetros: As métricas de validação ajudam a afinar os modelos para um melhor desempenho.

Estas vantagens garantem que os seus modelos são avaliados minuciosamente e podem ser optimizados para obter resultados superiores. Saiba mais sobre estas vantagens na secção Porquê Validar com Ultralytics YOLO .

Posso validar o meu modelo YOLO11 utilizando um conjunto de dados personalizado?

Sim, pode validar o seu modelo YOLO11 utilizando um conjunto de dados personalizado. Especificar o data com o caminho para o ficheiro de configuração do conjunto de dados. Este ficheiro deve incluir caminhos para os dados de validação, nomes de classes e outros pormenores relevantes.

Exemplo em Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Validate with a custom dataset
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

Exemplo de utilização de CLI:

yolo val model=yolo11n.pt data=path/to/your/custom_dataset.yaml

Para mais opções personalizáveis durante a validação, consulte a secção Exemplo de validação com argumentos.

Como guardar os resultados da validação num ficheiro JSON em YOLO11?

Para guardar os resultados da validação num ficheiro JSON, pode definir o parâmetro save_json argumento para True ao executar a validação. Isto pode ser feito tanto na API Python como em CLI.

Exemplo em Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

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

Exemplo de utilização de CLI:

yolo val model=yolo11n.pt save_json=True

Esta funcionalidade é particularmente útil para análise posterior ou integração com outras ferramentas. Para mais informações, consulte os Argumentos para a validação do modelo YOLO .

📅C riado há 1 ano ✏️ Atualizado há 1 mês

Comentários