Валидация моделей с Ultralytics YOLO#

Введение#

Валидация — критически важный этап в конвейере машинного обучения, который позволяет оценить качество обученных моделей. Режим Val в Ultralytics YOLO26 предоставляет надежный набор инструментов и метрик для оценки производительности моделей обнаружения объектов. Это руководство поможет разобраться, как эффективно использовать режим Val, чтобы убедиться в точности и надежности моделей.

Смотри предварительный просмотр невыпущенного YOLO27 для получения предварительных результатов валидации.

Зачем выполнять валидацию с Ultralytics YOLO?#

Вот почему использование режима Val в YOLO26 дает преимущества:

• Точность: Получай точные метрики, такие как mAP50, mAP75 и mAP50-95, чтобы всесторонне оценить модель.
• Удобство: Используй встроенные функции, которые запоминают настройки обучения и упрощают процесс валидации.
• Гибкость: Выполняй валидацию модели на тех же или других наборах данных и с другими размерами изображений.
• Настройка гиперпараметров: Используй метрики валидации для тонкой настройки модели и повышения производительности.

Ключевые возможности режима Val#

Ниже перечислены основные функции, доступные в режиме Val YOLO26:

• Автоматические настройки: Модели запоминают конфигурации обучения, что упрощает валидацию.
• Поддержка нескольких метрик: Оценивай модель по широкому набору метрик точности.
• CLI и Python API: Выбирай интерфейс командной строки или Python API в зависимости от своих предпочтений при валидации.
• Совместимость с данными: Режим без проблем работает как с наборами данных, использованными на этапе обучения, так и с пользовательскими наборами данных.

Примеры использования#

Проверь точность обученной модели YOLO26n на наборе данных COCO8. Аргументы не нужны, поскольку model сохраняет параметры обучения data и аргументы в качестве атрибутов модели. Полный список аргументов валидации см. в разделе «Аргументы» ниже.

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

Аргументы для валидации моделей YOLO#

При валидации моделей YOLO можно настроить несколько аргументов для оптимизации процесса оценки. Эти аргументы управляют такими аспектами, как размер входных изображений, пакетная обработка и пороги производительности. Ниже приведено подробное описание каждого аргумента, чтобы ты мог эффективно настроить параметры валидации.

Каждая из этих настроек играет важную роль в процессе валидации, обеспечивая настраиваемую и эффективную оценку моделей YOLO. Настройка параметров с учетом конкретных потребностей и ресурсов поможет найти оптимальный баланс между точностью и производительностью.

Пример валидации с аргументами#

В примерах ниже показана валидация моделей YOLO с пользовательскими аргументами в Python и 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}

Возвращенный объект метрик также предоставляет вспомогательные функции экспорта для последующего анализа:

Подробнее см. в документации класса DataExportMixin.

Что дальше#

Доволен метриками? Экспортируй модель в формат для развертывания. Если точность недостаточна, вернись и переобучи модель с другими гиперпараметрами или большим объемом обучающих данных.

Часто задаваемые вопросы#