Validação do modelo com Ultralytics YOLO

Introdução

A validação é um passo crítico no pipeline de aprendizagem automática, permitindo-te avaliar a qualidade dos teus modelos treinados. O modo Val em Ultralytics YOLOv8 fornece um conjunto robusto de ferramentas e métricas para avaliar o desempenho dos teus modelos de deteção de objectos. Este guia serve como um recurso completo para compreender como utilizar eficazmente o modo Val para garantir que os teus modelos são precisos e fiáveis.

Observa: Ultralytics Tutorial de modos: Validação

Porquê validar com Ultralytics YOLO ?

Eis por que razão é vantajoso utilizar o modo Val do YOLOv8:

Precisão: Obtém métricas precisas como mAP50, mAP75 e mAP50-95 para avaliar de forma abrangente o teu modelo.
Conveniência: Utiliza funcionalidades incorporadas que se lembram das 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: Utiliza métricas de validação para afinar o teu modelo e obter um melhor desempenho.

Principais características do modo Val

Estas são as funcionalidades notáveis oferecidas pelo modo Val do YOLOv8:

Configurações automatizadas: Os modelos recordam as suas configurações de treino para uma validação direta.
Suporte multi-métrico: Avalia o teu modelo com base numa série de métricas de precisão.
CLI e Python API: Escolhe entre a interface de linha de comandos ou a API Python com base na tua preferência de validação.
Compatibilidade de dados: Trabalha sem problemas com conjuntos de dados utilizados durante a fase de treino, bem como com conjuntos de dados personalizados.

Dica

YOLOv8 os modelos recordam automaticamente as definições de treino, pelo que podes validar um modelo com o mesmo tamanho de imagem e no conjunto de dados original facilmente com apenas yolo val model=yolov8n.pt ou model('yolov8n.pt').val()

Exemplos de utilização

Valida a precisão do modelo YOLOv8n treinado no conjunto de dados COCO8. Não precisas de passar nenhum argumento, pois o model mantém a sua formação data e argumentos como atributos do modelo. Vê a secção Argumentos abaixo para obteres uma lista completa dos argumentos de exportação.

Exemplo

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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 contains map50-95 of each category

yolo detect val model=yolov8n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

Argumentos para YOLO Validação de modelos

Ao validar os modelos YOLO , vários argumentos podem ser ajustados para otimizar o processo de avaliação. Esses argumentos controlam aspectos como o tamanho da imagem de entrada, o processamento em lote e os limites de desempenho. Segue-se uma análise detalhada de cada argumento para te ajudar a personalizar as definições de validação de forma eficaz.

Argumenta	Tipo	Predefinição	Descrição
`data`	`str`	`None`	Especifica o caminho para o ficheiro de configuração do conjunto de dados (por exemplo, `coco8.yaml`). Este ficheiro inclui caminhos para os dados de validação, nomes de classes e número de classes.
`imgsz`	`int`	`640`	Define o tamanho das imagens de entrada. Todas as imagens são redimensionadas para esta dimensão antes do processamento.
`batch`	`int`	`16`	Define o número de imagens por lote. Usa `-1` para o AutoBatch, que se ajusta automaticamente com base na disponibilidade de memória da GPU.
`save_json`	`bool`	`False`	Se `True`guarda os resultados num ficheiro JSON para análise posterior ou integração com outras ferramentas.
`save_hybrid`	`bool`	`False`	Se `True`guarda uma versão híbrida das etiquetas que combina anotações originais com previsões adicionais do modelo.
`conf`	`float`	`0.001`	Define o limite mínimo de confiança para as detecções. As detecções com confiança inferior a este limiar são rejeitadas.
`iou`	`float`	`0.6`	Define o limiar de Intersecção sobre União (IoU) para Supressão Não Máxima (NMS). Ajuda a reduzir as detecções duplicadas.
`max_det`	`int`	`300`	Limita o número máximo de detecções por imagem. Útil em cenas densas para evitar detecções excessivas.
`half`	`bool`	`True`	Permite o cálculo de meia-precisão (FP16), reduzindo a utilização de memória e aumentando potencialmente a velocidade com um impacto mínimo na precisão.
`device`	`str`	`None`	Especifica o dispositivo para validação (`cpu`, `cuda:0`etc.). Permite flexibilidade na utilização de recursos de CPU ou GPU.
`dnn`	`bool`	`False`	Se `True`utiliza o módulo OpenCV DNN para ONNX inferência de modelos, oferecendo uma alternativa aos métodos de inferência PyTorch .
`plots`	`bool`	`False`	Quando definido para `True`gera e guarda gráficos de previsões versus verdade terrestre para avaliação visual do desempenho do modelo.
`rect`	`bool`	`False`	Se `True`utiliza a inferência retangular para a formação de lotes, reduzindo o preenchimento e aumentando potencialmente a velocidade e a eficiência.
`split`	`str`	`val`	Determina a divisão do conjunto de dados a utilizar para a validação (`val`, `test`, ou `train`). Permite flexibilidade na escolha do segmento de dados para avaliação do desempenho.

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 do modelo YOLO com argumentos personalizados em Python e CLI.