Валидация моделей с Ultralytics YOLO#

Введение#

Валидация — важный этап конвейера машинного обучения, позволяющий оценить качество обученных моделей. Режим Val в Ultralytics YOLO26 предоставляет широкий набор инструментов и метрик для оценки производительности моделей обнаружения объектов. Это подробное руководство поможет разобраться, как эффективно использовать режим Val и убедиться, что модели точны и надёжны.

Предварительные результаты валидации см. в предварительном обзоре ещё не выпущенной YOLO27.

Зачем проводить валидацию с Ultralytics YOLO?#

Вот почему выгодно использовать режим Val в YOLO26:

• Точность: Получай точные метрики, такие как mAP50, mAP75 и mAP50-95, для всесторонней оценки модели.
• Удобство: Используй встроенные функции, которые запоминают настройки обучения и упрощают процесс валидации.
• Гибкость: Валидируй модель на тех же или других наборах данных и изображениях другого размера.
• Настройка гиперпараметров: Используй метрики валидации для точной настройки модели и повышения её производительности.

Ключевые возможности режима Val#

Вот основные функции режима Val в YOLO26:

• Автоматические настройки: Модели запоминают конфигурации обучения, что упрощает валидацию.
• Поддержка нескольких метрик: Оценивай модель по различным метрикам точности.
• CLI и Python API: Для валидации выбери интерфейс командной строки или Python API — в зависимости от своих предпочтений.
• Совместимость с данными: Работает с наборами данных, использовавшимися на этапе обучения, а также с пользовательскими наборами данных.

Примеры использования#

Проверь точность обученной модели YOLO26n. Аргументы не нужны: model хранит настройки data и аргументы обучения в атрибутах модели, поэтому path/to/best.pt выполняет валидацию на наборе данных, на котором модель обучалась. В официальных весах записан путь к набору данных для обучения, которого нет на твоём компьютере, поэтому при появлении предупреждения используется coco8.yaml по умолчанию для соответствующей задачи. Передай data, чтобы выполнить валидацию на другом наборе данных. Полный список аргументов для валидации см. в разделе «Аргументы» ниже.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")  # загрузить официальную модель
model = YOLO("path/to/best.pt")  # загрузить пользовательскую модель

# Валидировать модель
metrics = model.val()  # аргументы не нужны, набор данных и настройки сохранены
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # список значений mAP50-95 для каждой категории
metrics.box.image_metrics  # словарь метрик для каждого изображения: precision, recall, F1, TP, FP и FN

Аргументы для валидации модели YOLO#

При валидации моделей YOLO можно настроить несколько аргументов, чтобы оптимизировать процесс оценки. Эти аргументы задают такие параметры, как размер входного изображения, пакетная обработка и пороговые значения производительности. Ниже подробно разобран каждый аргумент, чтобы ты мог эффективно настроить валидацию.

Каждая из этих настроек играет важную роль в процессе валидации, позволяя гибко и эффективно оценивать модели YOLO. Настройка параметров с учётом твоих задач и ресурсов поможет найти оптимальный баланс между точностью и производительностью.

Пример валидации с аргументами#

В примерах ниже показана валидация модели YOLO с пользовательскими аргументами в Python и CLI.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")

# Настроить параметры валидации
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

# Загрузить модель
model = YOLO("yolo26n.pt")

# Валидировать модель и получить метрики для каждого изображения
results = model.val(data="coco8.yaml")

# image_metrics — это словарь, в котором ключами служат имена файлов изображений
print(results.box.image_metrics)
# Output: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# Получить метрики для конкретного изображения
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

Объект возвращаемых метрик также предоставляет вспомогательные методы экспорта для дальнейшего анализа:

Подробнее см. в документации класса DataExportMixin.

Что дальше#

Устраивают метрики? Экспортируй модель в формат для развёртывания. Если точность недостаточна, вернись к обучению, использовав другие гиперпараметры или больше обучающих данных.

Часто задаваемые вопросы#