Validação de Modelo com Ultralytics YOLO#

Introdução#

A validação é um passo crítico no pipeline de aprendizado de máquina, permitindo que avalies a qualidade dos teus modelos treinados. O modo Val no Ultralytics YOLO26 fornece um conjunto robusto de ferramentas e métricas para avaliar o desempenho dos teus modelos de detecção de objetos. Este guia serve como um recurso completo para entender como usar eficazmente o modo Val para garantir que os teus modelos sejam precisos e confiáveis.

Por que validar com Ultralytics YOLO?#

Eis por que usar o modo Val do YOLO26 é vantajoso:

• Precisão: Obtém métricas precisas como mAP50, mAP75 e mAP50-95 para avaliar de forma abrangente o teu modelo.
• Conveniência: Utiliza funcionalidades integradas que memorizam as definições de treino, simplificando o processo de validação.
• Flexibilidade: Valida o teu modelo com os mesmos ou diferentes conjuntos de dados e tamanhos de imagem.
• Ajuste de Hiperparâmetros: Usa métricas de validação para afinar o teu modelo para um melhor desempenho.

Principais Funcionalidades do Modo Val#

Estas são as funcionalidades notáveis oferecidas pelo modo Val do YOLO26:

• Definições Automatizadas: Os modelos memorizam as suas configurações de treino para uma validação simples.
• Suporte a Múltiplas Métricas: Avalia o teu modelo com base numa gama de métricas de precisão.
• CLI e Python API: Escolhe entre a interface de linha de comandos ou a API Python, dependendo da tua preferência para a validação.
• Compatibilidade de Dados: Funciona perfeitamente com conjuntos de dados usados durante a fase de treino, bem como com conjuntos de dados personalizados.

Exemplos de uso#

Valida a precisão de um modelo YOLO26n treinado no conjunto de dados COCO8. Nenhum argumento é necessário, pois o model retém o seu data de treino e os argumentos como atributos do modelo. Vê a seção de Argumentos abaixo para obter uma lista completa de argumentos de validação.

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

Argumentos para a Validação de Modelos YOLO#

Ao validar modelos YOLO, vários argumentos podem ser ajustados para otimizar o processo de avaliação. Estes argumentos controlam aspetos como o tamanho da imagem de entrada, o processamento em lote e os limiares de desempenho. Abaixo encontra-se um detalhamento de cada argumento para te ajudar a personalizar as tuas definições 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. Ajustar estes parâmetros de acordo com as tuas necessidades e recursos específicos pode ajudar a alcançar o melhor equilíbrio entre precisão e desempenho.

Exemplo de Validação com Argumentos#

Os exemplos abaixo mostram a validação de modelos YOLO com argumentos personalizados em Python e CLI.

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}

Para mais detalhes, consulta a documentação da classe DataExportMixin.

O que vem a seguir#

Estás satisfeito com as métricas? Exporta o modelo para um formato de implantação. Se a precisão estiver incorreta, volta atrás e retreina com diferentes hiperparâmetros ou mais dados de treino.

FAQ#