Validação de modelos com Ultralytics YOLO#

Introdução#

A validação é uma etapa crítica no pipeline de aprendizado de máquina, permitindo avaliar a qualidade dos teus modelos treinados. O modo Val do Ultralytics YOLO26 fornece um conjunto robusto de ferramentas e métricas para avaliar o desempenho dos teus modelos de deteção de objetos. Este guia é um recurso completo para entender como usar eficazmente o modo Val e garantir que os teus modelos sejam precisos e fiáveis.

Consulta a prévia não lançada do YOLO27 para ver os resultados preliminares da validação.

Por que validar com o 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 o teu modelo de forma abrangente.
• Conveniência: utiliza funcionalidades integradas que memorizam as definições de treino, simplificando o processo de validação.
• Flexibilidade: valida o teu modelo com os mesmos conjuntos de dados ou com conjuntos diferentes, além de tamanhos de imagem distintos.
• Ajuste de hiperparâmetros: usa as métricas de validação para ajustar o teu modelo e obter um melhor desempenho.

Principais funcionalidades do modo Val#

Estas são as funcionalidades mais importantes oferecidas pelo modo Val do YOLO26:

• Definições automatizadas: os modelos memorizam as suas configurações de treino para uma validação simples.
• Suporte a várias métricas: avalia o teu modelo com base num conjunto de métricas de precisão.
• CLI e API Python: escolhe entre a interface de linha de comandos ou a API Python, conforme a tua preferência para a validação.
• Compatibilidade de dados: funciona perfeitamente com os conjuntos de dados usados durante o treino, bem como com conjuntos de dados personalizados.

Exemplos de utilização#

Valida a precisão de um modelo YOLO26n treinado no conjunto de dados COCO8. Não são necessários argumentos, pois o model mantém os seus data e argumentos de treino como atributos do modelo. Consulta a secção Argumentos abaixo para obter a 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, podes ajustar vários argumentos para otimizar o processo de avaliação. Estes argumentos controlam aspetos como o tamanho das imagens de entrada, o processamento em lotes e os limiares de desempenho. Abaixo encontra-se uma explicação detalhada de cada argumento para te ajudar a personalizar eficazmente as definições de validação.

Cada uma destas definições desempenha um papel essencial 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}

O objeto de métricas retornado também expõe auxiliares de exportação para análise posterior:

Para mais detalhes, consulta a documentação da classe DataExportMixin.

E agora?#

Satisfeito com as métricas? Exporta o modelo para um formato de implementação. Se a precisão não for a esperada, volta atrás e treina novamente com hiperparâmetros diferentes ou mais dados de treino.

Perguntas frequentes#