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

Проверь точность обученной модели YOLOv8n на наборе данных COCO8. Не нужно передавать никаких аргументов в качестве model сохраняет тренировки 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

Комментарии