Validação de modelo com Ultralytics YOLO

Introdução

A validação é um passo crítico no pipeline de machine learning, permitindo avaliar 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 object detection. 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 o Ultralytics YOLO?

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

• Precisão: Obtém métricas exatas como mAP50, mAP75 e mAP50-95 para avaliar de forma abrangente o teu modelo.
• Conveniência: Utiliza funcionalidades incorporadas que memorizam as definições de treino, simplificando o processo de validação.
• Flexibilidade: Valida o teu modelo com os mesmos conjuntos de dados e tamanhos de imagem ou com outros diferentes.
• Hyperparameter Tuning: Usa métricas de validação para ajustar 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 lembram-se das suas configurações de treino para uma validação direta.
• Suporte a múltiplas métricas: Avalia o teu modelo com base numa série de métricas de precisão.
• CLI e API Python: Escolhe entre a interface de linha de comandos ou a API Python com base na 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. Não são necessários argumentos, uma vez que o model retém os seus data de treino e argumentos como atributos do modelo. Vê a secção de Argumentos abaixo para 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 está uma análise detalhada de cada argumento para te ajudar a personalizar as tuas definições de validação eficazmente.

Cada uma destas definições desempenha um papel vital no processo de validação, permitindo uma avaliação personalizada 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, vê a documentação da classe DataExportMixin.

FAQ

Como valido o meu modelo YOLO26 com o Ultralytics?

Para validar o teu modelo YOLO26, podes usar o modo Val fornecido pelo Ultralytics. Por exemplo, usando a API Python, podes carregar um modelo e executar a validação com:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

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

Em alternativa, podes usar a interface de linha de comandos (CLI):

yolo val model=yolo26n.pt

Para maior personalização, podes ajustar vários argumentos como imgsz, batch e conf tanto nos modos Python como CLI. Consulta a secção Argumentos para a validação de modelos YOLO para a lista completa de parâmetros.

Que métricas posso obter da validação de modelos YOLO26?

A validação de modelos YOLO26 fornece várias métricas chave para avaliar o desempenho do modelo. Estas incluem:

• mAP50 (mean Average Precision no limiar de IoU 0.5)
• mAP75 (mean Average Precision no limiar de IoU 0.75)
• mAP50-95 (mean Average Precision através de múltiplos limiares de IoU de 0.5 a 0.95)

Usando a API Python, podes 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
print(metrics.box.image_metrics)  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Para uma avaliação completa do desempenho, é crucial rever todas estas métricas. Para mais detalhes, consulta as Principais funcionalidades do modo Val.

Quais são as vantagens de usar o Ultralytics YOLO para validação?

Usar o Ultralytics YOLO para validação oferece várias vantagens:

• Precisão: O YOLO26 oferece métricas de desempenho precisas, incluindo mAP50, mAP75 e mAP50-95.
• Conveniência: Os modelos lembram-se das suas definições de treino, tornando a validação direta.
• Flexibilidade: Podes validar com os mesmos conjuntos de dados e tamanhos de imagem ou com outros diferentes.
• Hyperparameter Tuning: As métricas de validação ajudam a ajustar modelos para um melhor desempenho.

Estes benefícios garantem que os teus modelos sejam avaliados minuciosamente e possam ser otimizados para resultados superiores. Sabe mais sobre estas vantagens na secção Por que validar com o Ultralytics YOLO.

Posso validar o meu modelo YOLO26 usando um conjunto de dados personalizado?

Sim, podes validar o teu modelo YOLO26 usando um conjunto de dados personalizado. Especifica o argumento data com o caminho para o teu ficheiro de configuração do conjunto de dados. Este ficheiro deve incluir o caminho para os dados de validação.

Exemplo em Python:

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

Exemplo usando a CLI:

yolo val model=yolo26n.pt data=path/to/your/custom_dataset.yaml

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

Como guardo os resultados da validação num ficheiro JSON no YOLO26?

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

Exemplo em Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

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

Exemplo usando a CLI:

yolo val model=yolo26n.pt save_json=True

Esta funcionalidade é particularmente útil para análises posteriores ou integração com outras ferramentas. Consulta os Argumentos para a validação de modelos YOLO para mais detalhes.