Link to this sectionВалидация моделей с помощью Ultralytics YOLO#

Link to this sectionВведение#

Валидация — это критически важный этап в пайплайне машинного обучения, позволяющий оценить качество обученных моделей. Режим Val в Ultralytics YOLO26 предоставляет мощный набор инструментов и метрик для оценки производительности твоих моделей обнаружения объектов. Это руководство послужит полным ресурсом для понимания того, как эффективно использовать режим Val, чтобы убедиться, что твои модели точны и надежны.

Link to this sectionЗачем 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.
• Настройка гиперпараметров: Используй метрики валидации для тонкой настройки модели для достижения лучшей производительности.

Link to this sectionКлючевые 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.

Link to this sectionПримеры использования#

Валидируй точность обученной модели YOLO26n на наборе данных COCO8. Аргументы не нужны, так как model сохраняет свои обучающие data 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

Link to this sectionАргументы 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.

Link to this sectionПример 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 более подробной информации смотри документацию по классу DataExportMixin.

Link to this sectionFAQ#

Link to this sectionКак мне валидировать свою модель YOLO26 с помощью Ultralytics?#

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

Link to this sectionКакие метрики я могу получить при валидации модели YOLO26?#

Валидация модели 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 крайне важно просмотреть все эти метрики. Для получения более подробной информации обратись к разделу Ключевые особенности режима Val.

Link to this sectionВ чем преимущества использования Ultralytics YOLO для валидации?#

Использование Ultralytics YOLO для валидации дает несколько преимуществ:

• Точность: 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 тонкой настройке 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 Зачем проводить валидацию с помощью Ultralytics YOLO.

Link to this sectionМогу ли я валидировать свою модель YOLO26 с помощью пользовательского набора данных?#

Да, ты можешь валидировать свою модель YOLO26 с помощью пользовательского набора данных. Укажи аргумент data с путем к файлу конфигурации твоего набора данных. Этот файл должен содержать путь к данным валидации.

Пример в 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 с использованием CLI:

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

Для получения более широких возможностей настройки во время валидации см. раздел Пример валидации с аргументами.

Link to this sectionКак 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 в Python:

from ultralytics import YOLO

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

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

Пример с использованием CLI:

yolo val model=yolo26n.pt save_json=True

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