Validação de modelos com Ultralytics YOLO#

Introdução#

A validação é uma etapa crítica do pipeline de aprendizado de máquina, pois permite avaliar a qualidade dos modelos treinados. O modo Val do Ultralytics YOLO26 oferece um conjunto robusto de ferramentas e métricas para avaliar o desempenho dos modelos de detecção de objetos. Este guia é uma referência completa para entender como usar o modo Val com eficiência e garantir que seus modelos sejam precisos e confiáveis.

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

Por que validar com o Ultralytics YOLO?#

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

• Precisão: obtém métricas precisas, como mAP50, mAP75 e mAP50-95, para avaliar o teu modelo de forma abrangente.
• Praticidade: utiliza funcionalidades integradas que guardam as definições de treino, simplificando o processo de validação.
• Flexibilidade: valida o teu modelo com os mesmos conjuntos de dados ou com conjuntos diferentes, e com tamanhos de imagem iguais ou diferentes.
• Ajuste de hiperparâmetros: utiliza métricas de validação para ajustar o teu modelo e obter melhor desempenho.

Principais funcionalidades do modo Val#

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

• Definições automatizadas: os modelos guardam as configurações de treino, permitindo validar com facilidade.
• Suporte a várias métricas: avalia o teu modelo com base numa variedade de métricas de precisão.
• CLI e API Python: escolhe entre a interface de linha de comandos ou a API Python para validar, conforme a tua preferência.
• Compatibilidade de dados: funciona perfeitamente tanto com os conjuntos de dados usados durante o treino como com conjuntos de dados personalizados.

Exemplos de uso#

Valida a precisão de um modelo YOLO26n treinado. Não são necessários argumentos, pois o model guarda os valores de data usados no treino e os argumentos como atributos do modelo: path/to/best.pt valida com o conjunto de dados usado no treino. Os pesos oficiais registam um caminho para um conjunto de dados de treino que não existe na tua máquina, por isso recorrem ao coco8.yaml predefinido para a tarefa, com um aviso. Passa data para validar com outro conjunto de dados. Consulta a secção Argumentos abaixo para ver a lista completa de argumentos de validação.

from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.pt")  # carrega um modelo oficial
model = YOLO("path/to/best.pt")  # carregar um modelo personalizado

# Valida o modelo
metrics = model.val()  # não são necessários argumentos; o conjunto de dados e as definições são guardados
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # uma lista com mAP50-95 para cada categoria
metrics.box.image_metrics  # dicionário de métricas por imagem com precisão, revocação, F1, TP, FP e 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 encontras uma descrição detalhada de cada argumento para personalizares eficazmente as definições de validação.

Cada uma destas definições desempenha um papel fundamental no processo de validação, permitindo uma avaliação personalizável e eficiente dos modelos YOLO. Ajustar estes parâmetros às 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 como validar modelos YOLO com argumentos personalizados em Python e na CLI.

from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.pt")

# Personaliza as definições de validação
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

# Carregar um modelo
model = YOLO("yolo26n.pt")

# Valida e acede às métricas por imagem
results = model.val(data="coco8.yaml")

# image_metrics é um dicionário com os nomes dos ficheiros de imagem como chaves
print(results.box.image_metrics)
# Output: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# Acede às métricas de uma imagem específica
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 devolvido também disponibiliza métodos de exportação para análise posterior:

Para mais detalhes, consulta a documentação da classe DataExportMixin.

O que fazer a seguir#

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 com mais dados de treino.

Perguntas frequentes#