Link to this sectionValidação de Modelo com Ultralytics YOLO#

Link to this sectionIntrodução#

A validação é uma etapa crítica no pipeline de machine learning, permitindo que tu 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 object detection. Este guia serve como um recurso completo para entender como usar efetivamente o modo Val para garantir que os teus modelos sejam precisos e confiáveis.

Link to this sectionPor que Validar com Ultralytics YOLO?#

Aqui está o porquê de usar o modo Val do YOLO26 ser vantajoso:

• Precisão: Obtém métricas precisas 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 ou diferentes datasets e tamanhos de imagem.
• Hyperparameter Tuning: Usa métricas de validação para ajustar o teu modelo para um melhor desempenho.

Link to this sectionPrincipais Características 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 Multi-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 Python API com base na tua preferência para validação.
• Compatibilidade de Dados: Funciona perfeitamente com datasets usados durante a fase de treino, bem como com datasets personalizados.

Link to this sectionExemplos de Utilização#

Valida a accuracy de um modelo YOLO26n treinado no dataset COCO8. Não são necessários argumentos, uma vez que o model retém os seus data e argumentos de treino 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

Link to this sectionArgumentos para Validação de Modelo 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, processamento em lote e limiares de desempenho. Abaixo tens uma análise detalhada 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.

Link to this sectionExemplo 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("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, consulte a documentação da classe DataExportMixin.

Link to this sectionFAQ#

Link to this sectionComo valido meu modelo YOLO26 com Ultralytics?#

Para validar seu modelo YOLO26, você pode usar o modo Val fornecido pela Ultralytics. Por exemplo, usando a API Python, você pode 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

Alternativamente, você pode usar a interface de linha de comando (CLI):

yolo val model=yolo26n.pt

Para maior personalização, você pode ajustar vários argumentos como imgsz, batch e conf tanto no modo Python quanto no modo CLI. Verifique a seção Argumentos para Validação de Modelo YOLO para a lista completa de parâmetros.

Link to this sectionQuais métricas posso obter da validação do modelo YOLO26?#

A validação do modelo YOLO26 fornece várias métricas importantes para avaliar o desempenho do modelo. Elas incluem:

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

Usando a API Python, você pode acessar essas 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 de desempenho completa, é crucial revisar todas essas métricas. Para mais detalhes, consulte os Principais Recursos do Modo Val.

Link to this sectionQuais são as vantagens de usar Ultralytics YOLO para validação?#

Usar 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 suas configurações de treinamento, tornando a validação simples.
• Flexibilidade: Você pode validar em relação a conjuntos de dados e tamanhos de imagem iguais ou diferentes.
• Ajuste de Hiperparâmetros: As métricas de validação ajudam a ajustar modelos para um melhor desempenho.

Esses benefícios garantem que seus modelos sejam avaliados minuciosamente e possam ser otimizados para resultados superiores. Saiba mais sobre essas vantagens na seção Por que validar com Ultralytics YOLO.

Link to this sectionPosso validar meu modelo YOLO26 usando um conjunto de dados personalizado?#

Sim, você pode validar seu modelo YOLO26 usando um conjunto de dados personalizado. Especifique o argumento data com o caminho para o seu arquivo de configuração do conjunto de dados. Este arquivo 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 CLI:

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

Para mais opções personalizáveis durante a validação, consulte a seção Exemplo de Validação com Argumentos.

Link to this sectionComo salvo os resultados da validação em um arquivo JSON no YOLO26?#

Para salvar os resultados da validação em um arquivo JSON, você pode definir o argumento save_json como True ao executar a validação. Isso pode ser feito tanto na API Python quanto 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 CLI:

yolo val model=yolo26n.pt save_json=True

Esta funcionalidade é particularmente útil para análises posteriores ou integração com outras ferramentas. Verifique os Argumentos para Validação de Modelo YOLO para mais detalhes.