Проверка модели с помощью Ultralytics YOLO

Введение

Валидация - важный этап в конвейере машинного обучения, позволяющий оценить качество обученных моделей. Режим Val в Ultralytics YOLOv8 предоставляет надежный набор инструментов и метрик для оценки эффективности твоих моделей обнаружения объектов. Это руководство служит полным источником информации о том, как эффективно использовать режим Val для обеспечения точности и надежности твоих моделей.

Смотри: Ultralytics Самоучитель по режимам: Валидация

Зачем проводить валидацию с помощью Ultralytics YOLO ?

Вот почему использование режима YOLOv8'Val является выгодным:

• Точность: Получи такие точные метрики, как mAP50, mAP75 и mAP50-95, чтобы всесторонне оценить свою модель.
• Удобство: Используй встроенные функции, которые запоминают настройки тренировки, упрощая процесс проверки.
• Гибкость: Проверь свою модель с одинаковыми или разными наборами данных и размерами изображений.
• Настройка гиперпараметров: Используй метрики валидации, чтобы точно настроить свою модель для лучшей производительности.

Ключевые особенности Val Mode

Вот такие примечательные функциональные возможности предлагает режим Val на сайте YOLOv8:

• Автоматизированные настройки: Модели запоминают свои тренировочные конфигурации для простой проверки.
• Мультиметрическая поддержка: Оценивай свою модель по целому ряду показателей точности.
• CLI и Python API: Выбирай интерфейс командной строки или Python API в зависимости от того, что ты предпочитаешь для валидации.
• Совместимость с данными: Работает без проблем с наборами данных, использованными на этапе обучения, а также с пользовательскими наборами данных.

Примеры использования

Validate trained YOLOv8n model accuracy on the COCO8 dataset. No arguments are needed as the model сохраняет свою подготовку data и аргументы в качестве атрибутов модели. Полный список аргументов экспорта смотри в разделе "Аргументы" ниже.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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=yolov8n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

Аргументы в пользу YOLO проверки 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 тебе 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 твоими конкретными потребностями и ресурсами поможет достичь оптимального баланса между точностью и производительностью.

Пример проверки с помощью аргументов

В примерах ниже показана проверка модели YOLO с помощью пользовательских аргументов в Python и CLI.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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=yolov8n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0

ВОПРОСЫ И ОТВЕТЫ

Как проверить модель YOLOv8 с помощью Ultralytics?

Чтобы проверить свою модель YOLOv8 , ты можешь использовать режим Val, предоставляемый Ultralytics. Например, используя API Python , ты можешь загрузить модель и запустить валидацию с помощью:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

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

В качестве альтернативы ты можешь использовать интерфейс командной строки (CLI):

yolo val model=yolov8n.pt

Для дальнейшей кастомизации ты можешь настроить различные аргументы, например imgsz, batch, и conf как в режиме Python , так и в режиме CLI . Проверь Аргументы в пользу YOLO проверки моделей Раздел для полного списка параметров.

Какие показатели я могу получить от проверки модели YOLOv8 ?

YOLOv8 Проверка модели дает несколько ключевых показателей для оценки ее эффективности. К ним относятся:

• mAP50 (средняя средняя точность при пороге IoU 0,5)
• mAP75 (средняя средняя точность при пороге IoU 0,75)
• mAP50-95 (среднее значение средней точности 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

Для полной оценки производительности крайне важно проанализировать все эти показатели. Более подробную информацию ты найдешь в разделе " Ключевые особенности режима Val".

В чем преимущества использования Ultralytics YOLO для проверки?

Использование Ultralytics YOLO для проверки дает несколько преимуществ:

• Точность: YOLOv8 предлагает точные показатели производительности, включая mAP50, mAP75 и mAP50-95.
• Удобство: Модели запоминают свои тренировочные настройки, что упрощает проверку.
• Гибкость: Ты можешь проводить 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 твои модели будут тщательно проанализированы и смогут быть оптимизированы для достижения превосходных результатов. Узнай больше об этих преимуществах в разделе " Зачем проводить валидацию с помощью Ultralytics YOLO ".

Могу ли я проверить свою модель YOLOv8 , используя пользовательский набор данных?

Yes, you can validate your YOLOv8 model using a custom dataset. Specify the data аргумент с путем к файлу конфигурации твоего набора данных. Этот файл должен содержать пути к данным проверки, названия классов и другие важные детали.

Пример на Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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=yolov8n.pt data=path/to/your/custom_dataset.yaml

О дополнительных настраиваемых опциях при проверке смотри в разделе " Пример проверки с аргументами ".

Как сохранить результаты валидации в JSON-файл в YOLOv8?

Чтобы сохранить результаты проверки в JSON-файл, ты можешь задать параметр save_json аргумент в пользу True при выполнении валидации. Это можно сделать как в API Python , так и в CLI.

Пример на Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

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

Пример с использованием CLI:

yolo val model=yolov8n.pt save_json=True

Эта функциональность особенно полезна для дальнейшего анализа или интеграции с другими инструментами. Подробнее об этом читай в разделе Аргументы для проверки моделей YOLO .

📅 Created 10 months ago ✏️ Updated 4 days ago

Комментарии