Проверка модели с помощью Ultralytics YOLO

Q: What are the advantages of using Ultralytics YOLO for validation?

Использование сайта Ultralytics YOLO для проверки дает ряд преимуществ: Эти преимущества гарантируют, что ваши модели будут тщательно проанализированы и могут быть оптимизированы для получения превосходных результатов. Подробнее об этих преимуществах читайте в разделе "Зачем проводить валидацию с помощью Ultralytics YOLO ".

Q: How do I save validation results to a JSON file in YOLO11?

Чтобы сохранить результаты проверки в JSON-файл, при запуске проверки можно установить аргумент save_json в значение True. Это можно сделать как в API Python , так и в CLI. Пример на Python: Пример использования CLI: Эта функциональность особенно полезна для дальнейшего анализа или интеграции с другими инструментами. Более подробную информацию см. в разделе Аргументы для проверки модели YOLO .

Ultralytics YOLO Экосистема и интеграции

Введение

Валидация - важный этап в конвейере машинного обучения, позволяющий оценить качество обученных моделей. Режим Val в Ultralytics YOLO11 предоставляет надежный набор инструментов и метрик для оценки эффективности моделей обнаружения объектов. Это руководство служит полным источником информации о том, как эффективно использовать режим Val для обеспечения точности и надежности ваших моделей.

Смотреть: Ultralytics Самоучитель по режимам: Удостоверение

Зачем проводить валидацию с помощью Ultralytics YOLO ?

Вот почему использование режима Val на сайте YOLO11 является выгодным:

Точность: Получите такие точные показатели, как mAP50, mAP75 и mAP50-95, чтобы всесторонне оценить вашу модель.
Удобство: Используйте встроенные функции, которые запоминают настройки обучения, упрощая процесс проверки.
Гибкость: Проверьте свою модель с помощью одинаковых или разных наборов данных и размеров изображений.
Настройка гиперпараметров: Используйте метрики валидации для точной настройки модели для повышения производительности.

Ключевые особенности Val Mode

Таковы основные функциональные возможности режима Val на сайте YOLO11:

Автоматизированные настройки: Модели запоминают свои учебные конфигурации для простой проверки.
Мультиметрическая поддержка: Оцените свою модель на основе ряда показателей точности.
CLI и Python API: Выберите интерфейс командной строки или Python API в зависимости от ваших предпочтений по проверке.
Совместимость с данными: Работает с наборами данных, использованными на этапе обучения, а также с пользовательскими наборами данных.

Наконечник

YOLO11 Модели автоматически запоминают настройки обучения, поэтому вы можете проверить модель на том же размере изображения и на исходном наборе данных, просто используя yolo val model=yolo11n.pt или model('yolo11n.pt').val()

Примеры использования

Проверка обученной модели YOLO11n точность на наборе данных COCO8. Аргументы не требуются, так как model сохраняет свою подготовку data и аргументы как атрибуты модели. Полный список аргументов проверки см. в разделе Аргументы ниже.

Пример

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt      # val official model
yolo detect val model=path/to/best.pt # val custom model

Аргументы в пользу YOLO Валидация моделей

При проверке моделей YOLO можно точно настроить несколько аргументов, чтобы оптимизировать процесс оценки. Эти аргументы управляют такими аспектами, как размер входного изображения, пакетная обработка и пороговые значения производительности. Ниже приводится подробное описание каждого аргумента, чтобы помочь вам эффективно настроить параметры валидации.

Аргумент	Тип	По умолчанию	Описание
`data`	`str`	`None`	Указывает путь к файлу конфигурации набора данных (например, `coco8.yaml`). Этот файл включает в себя пути к данные проверки, названия классов и их количество.
`imgsz`	`int`	`640`	Определяет размер входных изображений. Перед обработкой все изображения приводятся к этому размеру. Большие размеры могут повысить точность для мелких объектов, но увеличивают время вычислений.
`batch`	`int`	`16`	Устанавливает количество изображений в одной партии. При больших значениях память GPU используется более эффективно, но требуется больше VRAM. Настраивайте в зависимости от доступных аппаратных ресурсов.
`save_json`	`bool`	`False`	Если `True`, сохраняет результаты в JSON-файл для дальнейшего анализа, интеграции с другими инструментами или отправки на серверы оценки, такие как COCO.
`save_hybrid`	`bool`	`False`	Если `True`Сохраняет гибридную версию меток, которая сочетает оригинальные аннотации с дополнительными предсказаниями модели. Полезно для полуконтрольного обучения и расширения наборов данных.
`conf`	`float`	`0.001`	Устанавливает минимальный порог доверия для обнаружений. Более низкие значения увеличивают запоминание, но могут привести к увеличению числа ложных срабатываний. Используется во время проверки для вычисления кривых "точность-отзыв".
`iou`	`float`	`0.6`	Устанавливает порог пересечения над объединением для не максимального подавления. Управляет устранением обнаружения дубликатов.
`max_det`	`int`	`300`	Ограничивает максимальное количество обнаружений на одном изображении. Полезно в плотных сценах для предотвращения чрезмерного количества обнаружений и управления вычислительными ресурсами.
`half`	`bool`	`True`	Обеспечивает вычисления с половинной точностью (FP16), уменьшая потребление памяти и потенциально увеличивая скорость с минимальным влиянием на точность.
`device`	`str`	`None`	Указание устройства для проверки (`cpu`, `cuda:0`, и т.д.). Когда `None`автоматически выбирает лучшее из доступных устройств. Несколько устройств CUDA можно указать через запятую.
`dnn`	`bool`	`False`	Если `True`, использует OpenCV Модуль DNN для вывода моделей ONNX , предлагающий альтернативу PyTorch методы вывода.
`plots`	`bool`	`False`	Если установлено значение `True`Генерирует и сохраняет графики зависимости предсказаний от истинности, матрицы путаницы и кривые PR для визуальной оценки эффективности модели.
`rect`	`bool`	`True`	Если `True`В нем используется прямоугольный вывод для пакетной обработки, что позволяет уменьшить количество набивки и потенциально повысить скорость и эффективность обработки изображений в их исходном соотношении сторон.
`split`	`str`	`'val'`	Определяет разбиение набора данных, используемое для проверки (`val`, `test`, или `train`). Позволяет гибко подходить к выбору сегмента данных для оценки производительности.
`project`	`str`	`None`	Имя каталога проекта, в котором сохраняются результаты проверки. Помогает упорядочить результаты различных экспериментов или моделей.
`name`	`str`	`None`	Имя прогона проверки. Используется для создания подкаталога в папке проекта, в котором хранятся журналы и результаты валидации.
`verbose`	`bool`	`False`	Если `True`отображает подробную информацию о процессе проверки, включая метрики для каждого класса, ход выполнения пакета и дополнительную отладочную информацию.
`save_txt`	`bool`	`False`	Если `True`Результаты обнаружения сохраняются в текстовых файлах, по одному файлу на изображение, что удобно для дальнейшего анализа, пользовательской постобработки или интеграции с другими системами.
`save_conf`	`bool`	`False`	Если `True`включает доверительные значения в сохраненные текстовые файлы, когда `save_txt` включается, обеспечивая более подробный вывод для анализа и фильтрации.
`save_crop`	`bool`	`False`	Если `True`Сохраняет обрезанные изображения обнаруженных объектов, которые могут быть полезны для создания наборов данных, визуальной проверки или дальнейшего анализа отдельных обнаружений.
`workers`	`int`	`8`	Количество рабочих потоков для загрузки данных. Большие значения могут ускорить предварительную обработку данных, но могут увеличить нагрузку на CPU . При установке значения 0 используется основной поток, который может быть более стабильным в некоторых средах.
`augment`	`bool`	`False`	Позволяет увеличить время тестирования (TTA) во время проверки, потенциально повышая точность обнаружения за счет снижения скорости вывода путем выполнения вывода на преобразованных версиях входных данных.
`agnostic_nms`	`bool`	`False`	Включает не зависящую от класса функцию Non-Maximum Suppression, которая объединяет перекрывающиеся ячейки независимо от их предсказанного класса. Полезно для приложений, ориентированных на экземпляр.
`single_cls`	`bool`	`False`	При проверке все классы рассматриваются как один класс. Полезно для оценки производительности модели в задачах обнаружения бинарных классов или когда различия между классами не важны.

Каждый из этих параметров играет важную роль в процессе валидации, позволяя настраивать и эффективно оценивать модели YOLO . Настройка этих параметров в соответствии с вашими потребностями и ресурсами поможет достичь оптимального баланса между точностью и производительностью.

Пример проверки с аргументами

Приведенные ниже примеры демонстрируют проверку модели YOLO с пользовательскими аргументами в Python и CLI.

Пример

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Customize validation settings
validation_results = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.6, device="0")

yolo val model=yolo11n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как проверить модель YOLO11 с помощью Ultralytics?

Для проверки модели YOLO11 можно использовать режим Val, предоставляемый Ultralytics. Например, используя API Python , вы можете загрузить модель и запустить проверку с помощью:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

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

В качестве альтернативы можно использовать интерфейс командной строки (CLI):

yolo val model=yolo11n.pt

Для дальнейшей настройки вы можете задать различные аргументы, например imgsz, batch, и conf в режимах Python и CLI . Проверьте Аргументы в пользу YOLO Валидация моделей раздел для получения полного списка параметров.

Какие показатели можно получить при проверке модели YOLO11 ?

YOLO11 Валидация модели обеспечивает несколько ключевых показателей для оценки эффективности модели. К ним относятся:

mAP50 (средняя точность при пороге IoU 0,5)
mAP75 (средняя точность при пороге IoU 0,75)
mAP50-95 (среднее значение средней точности по нескольким пороговым значениям IoU от 0,5 до 0,95)

Используя Python API, вы можете получить доступ к этим метрикам следующим образом:

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

Для полной оценки эффективности очень важно проанализировать все эти показатели. Для получения более подробной информации обратитесь к разделу " Ключевые особенности режима Val".

В чем преимущества использования Ultralytics YOLO для проверки?

Использование сайта Ultralytics YOLO для проверки дает несколько преимуществ:

Точность: YOLO11 предлагает точные показатели производительности, включая mAP50, mAP75 и mAP50-95.
Удобство: Модели запоминают свои учебные настройки, что упрощает проверку.
Гибкость: Вы можете выполнять проверку на одних и тех же или разных наборах данных и размерах изображений.
Настройка гиперпараметров: Валидационные метрики помогают в тонкой настройке моделей для повышения производительности.

Эти преимущества гарантируют, что ваши модели будут тщательно проанализированы и оптимизированы для достижения наилучших результатов. Узнайте больше об этих преимуществах в разделе "Почему стоит проводить валидацию с помощью Ultralytics YOLO ".

Можно ли проверить модель YOLO11 с помощью пользовательского набора данных?

Да, вы можете проверить свою модель YOLO11 с помощью пользовательский набор данных. Укажите data аргумент с путем к файлу конфигурации набора данных. Этот файл должен содержать пути к данные проверки, названия классов и другие важные детали.

Пример на сайте Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Validate with a custom dataset
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

Пример использования CLI:

yolo val model=yolo11n.pt data=path/to/your/custom_dataset.yaml

Дополнительные настраиваемые опции при проверке см. в разделе Пример проверки с аргументами.

Как сохранить результаты проверки в JSON-файл в YOLO11?

Чтобы сохранить результаты проверки в JSON-файле, вы можете установить параметр save_json аргумент в пользу True при выполнении валидации. Это можно сделать как в API Python , так и в CLI.