Валидация моделей с Ultralytics YOLO

Введение

Валидация — это важный этап конвейера machine learning, позволяющий оценить качество обученных моделей. Режим Val в Ultralytics YOLO26 предоставляет мощный набор инструментов и метрик для оценки производительности твоих моделей object detection. Это руководство послужит полным ресурсом для понимания того, как эффективно использовать режим Val, чтобы убедиться в точности и надежности твоих моделей.

Почему стоит проводить валидацию с Ultralytics YOLO?

Вот почему использование режима Val в YOLO26 выгодно:

• Точность (Precision): Получай точные метрики, такие как mAP50, mAP75 и mAP50-95, для всесторонней оценки своей модели.
• Удобство: Используй встроенные функции, которые запоминают настройки обучения, упрощая процесс валидации.
• Гибкость: Проводи валидацию модели на тех же или других наборах данных и размерах изображений.
• Hyperparameter Tuning: Используй метрики валидации для донастройки модели для достижения лучшей производительности.

Ключевые особенности режима Val

Вот заметные функциональные возможности, предлагаемые режимом Val в YOLO26:

• Автоматизированные настройки: Модели запоминают свои конфигурации обучения для упрощенной валидации.
• Поддержка нескольких метрик: Оценивай свою модель на основе ряда метрик точности.
• CLI и Python API: Выбирай между интерфейсом командной строки или Python API в зависимости от своих предпочтений для валидации.
• Совместимость данных: Отлично работает как с наборами данных, использованными во время фазы обучения, так и с пользовательскими наборами.

Примеры использования

Проведи валидацию обученной модели YOLO26n на предмет accuracy на наборе данных COCO8. Никакие аргументы не требуются, так как model сохраняет свои data обучения и аргументы в качестве атрибутов модели. Смотри раздел «Аргументы» ниже для получения полного списка аргументов валидации.

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 входного изображения, пакетная обработка и пороги производительности. Ниже приведена подробная разбивка каждого аргумента, которая поможет тебе эффективно настроить параметры валидации.

Каждая из этих настроек играет жизненно важную роль в процессе валидации, обеспечивая настраиваемую и эффективную оценку моделей YOLO. Корректировка этих параметров в соответствии с твоими конкретными потребностями и ресурсами поможет достичь наилучшего баланса между точностью и производительностью.

Пример валидации с аргументами

Приведенные ниже примеры демонстрируют валидацию 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}

Для получения более подробной информации смотри документацию класса DataExportMixin.

Часто задаваемые вопросы (FAQ)

Как мне проверить мою модель YOLO26 с помощью Ultralytics?

Чтобы проверить свою модель YOLO26, ты можешь использовать режим Val, предоставляемый Ultralytics. Например, используя Python API, ты можешь загрузить модель и запустить валидацию с помощью:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

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

Альтернативно ты можешь использовать интерфейс командной строки (CLI):

yolo val model=yolo26n.pt

Для дополнительной настройки ты можешь изменять различные аргументы, такие как imgsz, batch и conf как в Python, так и в режимах CLI. Проверь раздел Аргументы для валидации моделей YOLO для получения полного списка параметров.

Какие метрики я могу получить при валидации модели YOLO26?

Валидация моделей YOLO26 предоставляет несколько ключевых метрик для оценки производительности модели. К ним относятся:

• mAP50 (средняя точность при пороге IoU 0.5)
• mAP75 (средняя точность при пороге IoU 0.75)
• mAP50-95 (средняя точность по нескольким порогам IoU от 0.5 до 0.95)

Используя Python API, ты можешь 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
print(metrics.box.image_metrics)  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Для полной оценки производительности важно рассмотреть все эти метрики. Для получения более подробной информации обратись к разделу Ключевые особенности режима Val.

Каковы преимущества использования Ultralytics YOLO для валидации?

Использование Ultralytics YOLO для валидации дает несколько преимуществ:

• Precision: YOLO26 предлагает точные метрики производительности, включая mAP50, mAP75 и mAP50-95.
• Удобство: Модели запоминают свои настройки обучения, что делает валидацию простой.
• Гибкость: Ты можешь проводить валидацию на тех же или других наборах данных и размерах изображений.
• Настройка гиперпараметров: Метрики валидации помогают в донастройке моделей для достижения лучшей производительности.

Эти преимущества гарантируют, что твои модели будут тщательно оценены и могут быть оптимизированы для достижения превосходных результатов. Узнай больше об этих преимуществах в разделе Почему стоит проводить валидацию с Ultralytics YOLO.

Могу ли я проверить свою модель YOLO26, используя собственный набор данных?

Да, ты можешь проверить свою модель YOLO26, используя custom dataset. Укажи аргумент data с путем к файлу конфигурации твоего набора данных. Этот файл должен включать путь к validation data.

Пример на 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

Пример использования CLI:

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

Для получения дополнительных параметров настройки во время валидации см. раздел Пример валидации с аргументами.

Как мне сохранить результаты валидации в файл JSON в YOLO26?

Чтобы сохранить результаты валидации в файл JSON, ты можешь установить аргумент save_json в значение True при запуске валидации. Это можно сделать как в Python API, так и в CLI.

Пример на Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

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

Пример использования CLI:

yolo val model=yolo26n.pt save_json=True

Эта функциональность особенно полезна для дальнейшего анализа или интеграции с другими инструментами. Проверь Аргументы для валидации моделей YOLO для получения дополнительной информации.