Валидация моделей с помощью Ultralytics YOLO#

Введение#

Валидация — это важнейший этап в конвейере машинного обучения, позволяющий оценить качество обученных моделей. Режим Val в Ultralytics YOLO26 предоставляет надежный набор инструментов и метрик для оценки производительности твоих моделей обнаружения объектов. Это руководство служит полным ресурсом для понимания того, как эффективно использовать режим Val, чтобы убедиться в точности и надежности твоих моделей.

Зачем проводить валидацию с помощью Ultralytics YOLO?#

Вот почему использование режима Val в YOLO26 выгодно:

• Точность: 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: Валидируй модель на тех же или других наборах данных и при иных размерах изображений.
• Тюнинг гиперпараметров: Используй метрики валидации для точной настройки модели с целью повышения производительности.

Ключевые особенности режима Val#

Вот примечательные функциональные возможности, предлагаемые режимом Val в YOLO26:

• Автоматизированные настройки: Модели запоминают свои конфигурации обучения для прямолинейной 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 при валидации.
• Совместимость данных: Беспрепятственно работает как с наборами данных, использованными на этапе обучения, так и с пользовательскими наборами.

Примеры использования#

Проверь точность обученной модели YOLO26n на датасете COCO8. Никакие аргументы не нужны, так как model сохраняет свои 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 входного изображения, пакетная обработка и пороги производительности. Ниже приведена подробная информация по каждому аргументу, которая поможет тебе эффективно настроить параметры валидации.

Каждая из этих настроек играет жизненно важную роль в процессе валидации, позволяя выполнять гибкую 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#

Ниже приведены примеры демонстрации валидации модели 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 подробной информации см. документацию класса DataExportMixin.

Что дальше#

Доволен метриками? Экспортируй модель в формат развертывания. Если точность не устраивает, вернись и переобучи с другими гиперпараметрами или большим количеством тренировочных данных.

FAQ#