Проверка модели с помощью Ultralytics YOLO

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.

Примеры использования

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

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.

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.

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.

Пример на сайте Python:

from ultralytics import YOLO

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

# Save validation results to JSON
metrics = model.val(save_json=True)

Пример использования CLI:

yolo val model=yolo11n.pt save_json=True

Эта функциональность особенно полезна для дальнейшего анализа или интеграции с другими инструментами. Более подробную информацию см. в разделе Аргументы для проверки модели YOLO .

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии