Başla

Ultralytics YOLO ile Model Doğrulama

Ultralytics YOLO ecosystem and integrations

Giriş#

Doğrulama, makine öğrenimi işlem hattında kritik bir adımdır ve eğitilmiş modellerinin kalitesini değerlendirmene olanak tanır. Ultralytics YOLO26'nın Val modu, nesne algılama modellerini ve desteklenen diğer tüm görevleri değerlendirmek için araçlar ve metrikler sunar. Bu kılavuz, modellerinin doğru ve güvenilir olduğunu doğrulamak için Val modunu nasıl kullanacağını açıklar.

İlk doğrulama sonuçları için yayımlanmamış YOLO27 önizlemesine bak.



İzle: Ultralytics Modları Eğitimi: Doğrulama

Neden Ultralytics YOLO ile doğrulama yapmalısın?#

YOLO26'nın Val modunu kullanma nedenleri:

  • Kesinlik: Modelini kapsamlı biçimde değerlendirmek için mAP50, mAP75 ve mAP50-95 gibi doğru metriklere ulaş.
  • Kolaylık: Eğitim ayarlarını hatırlayan yerleşik özellikleri kullanarak doğrulama sürecini basitleştir.
  • Esneklik: Modelini aynı veya farklı veri kümeleriyle ve görüntü boyutlarıyla doğrula.
  • Hiperparametre Ayarı: Daha iyi performans elde etmek için doğrulama metriklerini kullanarak modelinde ince ayar yap.

Val Modunun Önemli Özellikleri#

YOLO26'nın Val modunun öne çıkan özellikleri:

  • Otomatik Ayarlar: Modeller, doğrulamayı kolaylaştırmak için eğitim yapılandırmalarını hatırlar.
  • Çoklu Metrik Desteği: Modelini çeşitli doğruluk metrikleriyle değerlendir.
  • CLI ve Python API'si: Doğrulamayı tercihine göre komut satırı arayüzünden veya Python API'siyle yap.
  • Veri Uyumluluğu: Eğitim sırasında kullanılan veri kümelerinin yanı sıra özel veri kümeleriyle de çalışır.
İpucu
  • YOLO26 modelleri eğitim ayarlarını otomatik olarak hatırlar; bu nedenle yolo val model=path/to/best.pt veya YOLO("path/to/best.pt").val(), özgün veri kümesinde eğitim görüntüsü boyutuyla doğrulama yapar. Resmî ağırlıklar, görev için varsayılan veri kümesini kullanır; bunu değiştirmek için data değerini belirt.

Kullanım Örnekleri#

Eğitilmiş bir YOLO26n modelinin doğruluğunu doğrula. model, eğitim sırasında kullanılan data değerini ve argümanları model öznitelikleri olarak sakladığından herhangi bir argüman gerekmez: path/to/best.pt, modelin eğitildiği veri kümesi üzerinde doğrulama yapar. Resmî ağırlıklar, makinede bulunmayan bir eğitim veri kümesi yolunu kaydeder; bu nedenle bir uyarıyla görev için varsayılan coco8.yaml değerine geri döner. Başka bir veri kümesi üzerinde doğrulama yapmak için data ilet.

Windows Çoklu İşlem Hatası

Windows'ta doğrulamayı bir betik olarak başlatırken RuntimeError hatası alabilirsin. Bu sorunu çözmek için doğrulama kodundan önce bir if __name__ == "__main__": bloğu ekle.

Örnek
from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # Resmî bir modeli yükle
model = YOLO("path/to/best.pt")  # özel bir model yükle

# Modeli doğrula
metrics = model.val()  # Bağımsız değişken gerekmez; veri kümesi ve ayarlar hatırlanır
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # Sınıf başına mAP50-95; val kümesinde bulunmayan sınıflara genel mAP değeri atanır
metrics.box.ap_class_index  # Gerçekten değerlendirilen sınıf indeksleri
metrics.box.image_metrics  # Hassasiyet, geri çağırma, F1, TP, FP ve FN değerlerini içeren görüntü başına metrik sözlüğü

YOLO Modeli Doğrulama Bağımsız Değişkenleri#

YOLO modellerini doğrularken değerlendirme sürecini ihtiyacına göre uyarlamak için çeşitli argümanları düzenleyebilirsin. Bu argümanlar giriş görüntüsü boyutu, toplu işleme ve performans eşikleri gibi özellikleri kontrol eder. Her argüman aşağıda açıklanmıştır.

Bağımsız değişkenTürVarsayılanAçıklama
datastrNoneVeri kümesi YAML dosyasının yolunu belirtir (örn. coco8.yaml); dosyada doğrulama verilerinin yolu bulunmalıdır. Sınıflandırma için bunun yerine bir veri kümesi dizini veya yerleşik veri kümesi adı (örn. imagenet10) kullanılır.
imgszint640Girdi görüntülerinin boyutunu tanımlar. İşlemden önce tüm görüntüler bu boyuta getirilir. Daha büyük boyutlar küçük nesnelerde doğruluğu artırabilir, ancak hesaplama süresini uzatır.
batchint16Toplu iş başına görüntü sayısını ayarlar. Daha yüksek değerler GPU belleğini daha verimli kullanır, ancak daha fazla VRAM gerektirir. Kullanılabilir donanım kaynaklarına göre ayarla.
tilebool veya intFalseSabit döşemeli çıkarım yapar ve birleştirilmiş sonuçları orijinal tam görüntü açıklamalarına göre değerlendirir. True, imgsz kullanır; pozitif bir int, döşeme boyutunu belirler. Yüksek Çözünürlüklü Döşeme hakkında bilgi al.
save_jsonboolFalseTrue etkinse sonuçları daha sonra analiz etmek, diğer araçlarla entegre etmek veya COCO gibi değerlendirme sunucularına göndermek üzere bir JSON dosyasına kaydeder. Algılama veri kümelerinde tahminleri ayrıca faster-coco-eval ile değerlendirir ve küçük, orta ve büyük nesneler için mAP değerlerini raporlar; eğitim sırasında bunlar results.csv içinde sırasıyla metrics/mAP_small(B), metrics/mAP_medium(B) ve metrics/mAP_large(B) olarak kaydedilir. Anlamsal segmentasyonda ise görüntü alt dizinlerini koruyarak PNG sınıf maskelerini results/ altına kaydeder.
conffloat0.001Algılamalar için minimum güven eşiğini ayarlar. Daha düşük değerler geri çağırmayı artırır, ancak daha fazla yanlış pozitif oluşturabilir. Kesinlik-geri çağırma eğrileri, mAP ve algılama karmaşıklık matrisleri bu değeri kullanır; conf değerinin 0.25 gibi daha yüksek olması, matrisi tahmin çıktısına daha çok yaklaştırır, ancak mAP değerini düşürebilir. Özet kesinlik ve geri çağırma, maksimum F1 güvenini kullanır; bu nedenle confusion_matrix.png değerinden elde edilen değerlerden farklı olabilir. Bellek kullanımını azaltmak için OBB doğrulamasında varsayılan değer 0.01 olur.
ioufloat0.7Maksimum Olmayan Bastırma için Kesişim-Birleşim eşiğini ayarlar. Yinelenen algılamaların elenmesini denetler.
max_detint300Görüntü başına en fazla algılama sayısını sınırlar. Algılama, segmentasyon, poz ve OBB görevlerinde değer 300 olarak bırakılırsa, doğrulanan bölümde bir görüntü bu sayıyı aştığında sınır en yüksek etiketli nesne sayısına çıkarılır ve uyarı verilir; başka bir değer belirtilirse bu değer korunur ve görüntünün bu sayıyı aşması durumunda geri çağırmanın sınırlanabileceğine dair uyarı verilir.
quantizeint veya strNoneDoğrulama hassasiyeti: 16/"fp16" ve 32/"fp32"/unset, PyTorch ve TorchScript modelleri için FP16 veya FP32 hesaplamayı seçer (CPU'da FP32); diğer biçimler, model yapıtının ve çalışma zamanının seçtiği hassasiyeti kullanır. 16 için OpenVINO, istemcide girdiyi hâlâ FP16'ya yuvarlar ve çalışma zamanı hassasiyetini değiştirmeden tekrar FP32'ye genişletir. INT8/PTQ nicemlemesi dışa aktarma sırasında yapılandırılır ve ardından dışa aktarılan model doğrulanarak kullanılır. Kullanımdan kaldırılan half bayrağının yerini alır.
devicestrNoneDoğrulama için kullanılacak cihazı belirtir (cpu, cuda:0, npu, npu:0 vb.). None olduğunda, kullanılabilir en iyi cihazı otomatik olarak seçer. Birden fazla CUDA cihazı virgülle ayrılarak belirtilebilir. OpenVINO ve LiteRT modelleri Intel GPU ve NPU üzerinde xpu ve npu ile çalışır; tüm biçimler için çıkarım cihazları sayfasına bak.
dnnboolFalseTrue ise ONNX model çıkarımında OpenCV DNN modülünü kullanarak PyTorch çıkarım yöntemlerine alternatif sunar.
plotsboolTrueTrue olarak ayarlandığında, model performansını görsel olarak değerlendirmek için tahminler ile gerçek değerlerin grafiklerini, karmaşıklık matrislerini ve PR eğrilerini oluşturup kaydeder.
classeslist[int]NoneDeğerlendirilecek sınıf kimliklerinin listesini belirtir. Değerlendirme sırasında sınıfları filtreleyerek yalnızca belirli sınıflara odaklanmak için kullanışlıdır.
rectboolTrueTrue ise benzer en-boy oranlarına sahip görüntüleri dikdörtgen şekillerde toplu işler. Her boyutu stride katına yuvarlamadan önce yarım stride ekler (semantic için fazladan yarım stride eklenmez). Stride 32 olduğunda imgsz=640 boyutundaki 640×640 görüntü, 16 px ofsetle 672×672 olurken predict 640×640 kullanır; bu nedenle metrikler farklılık gösterebilir. rect=False, kare görüntüler için predict ile eşleşir. Görüntüleri bir imgsz karesine esneten depth ve RT-DETR modellerinde bu seçenek yok sayılır.
splitstr'val'Doğrulama için kullanılacak veri kümesi bölümünü belirler (val, test veya train). Performansı değerlendirmek için veri bölümünü seçme esnekliği sağlar.
fractionfloat, int veya list1.0Doğrulanan bölümün alt kümesi. [train, val, test] listesi verildiğinde, split ile eşleşen girdi uygulanır (1 = bölümün tamamı, 1 üzerindeki tam sayılar = görüntü sayıları; belirtilmeyen girdiler bölümün tamamını kullanır). Skaler değer yalnızca split=train için geçerlidir; val ve test bu durumda bölümün tamamını kullanır.
projectstrNoneDoğrulama çıktılarının kaydedildiği proje dizininin adı. Göreli bir yol runs_dir/<task> dizininin altına yerleştirilirken mutlak bir yol olduğu gibi kullanılır.
namestrNoneDoğrulama çalıştırmasının adı. Doğrulama günlüklerinin ve çıktılarının saklandığı proje klasöründe bir alt dizin oluşturmak için kullanılır.
verboseboolTrueTrue ise doğrulama sürecinde sınıf başına metrikler, toplu iş ilerlemesi ve ek hata ayıklama bilgileri dahil ayrıntılı bilgileri gösterir.
save_txtboolFalseTrue ise algılama sonuçlarını, görüntü başına bir dosya olacak şekilde metin dosyalarına kaydeder; bu dosyalar daha ileri analiz, özel son işleme veya diğer sistemlerle entegrasyon için kullanışlıdır.
save_confboolFalseTrue ise save_txt etkin olduğunda kaydedilen metin dosyalarına güven değerlerini ekleyerek analiz ve filtreleme için daha ayrıntılı çıktı sağlar.
workersint8Veri yükleme için çalışan iş parçacığı sayısı. Daha yüksek değerler veri ön işlemeyi hızlandırabilir, ancak CPU kullanımını artırabilir. 0 olarak ayarlandığında ana iş parçacığı kullanılır; bu, bazı ortamlarda daha kararlı olabilir.
augmentboolFalseDoğrulama sırasında test zamanı artırmayı (TTA) etkinleştirir; girdinin dönüştürülmüş sürümlerinde çıkarım yaparak çıkarım hızından ödün verme pahasına algılama doğruluğunu artırabilir. Yalnızca Ultralytics PyTorch modellerinde kullanılabilir.
agnostic_nmsboolFalseSınıftan bağımsız Maksimum Olmayan Bastırmayı etkinleştirir ve tahmin edilen sınıflarına bakılmaksızın daha düşük puanlı, çakışan kutuları bastırır. Örneklere odaklanan uygulamalarda kullanışlıdır. NMS gerektirmeyen çıkarımda (YOLO26 veya YOLOv10'da nms=False), bu yalnızca aynı algılamanın birden fazla sınıf etiketiyle görünmesini önler (IoU=1.0 yinelenenleri); farklı kutular arasında IoU eşiğine dayalı bastırma yapmaz.
single_clsboolFalseDoğrulama sırasında tüm sınıfları tek bir sınıf olarak ele alır. İkili algılama görevlerinde veya sınıf ayrımlarının önemli olmadığı durumlarda model performansını değerlendirmek için kullanışlıdır.
visualizeboolFalseHer görüntü için gerçek değerleri, doğru pozitifleri, yanlış pozitifleri ve yanlış negatifleri görselleştirir. Hata ayıklama ve model yorumlama için kullanışlıdır.
show_labelsboolTruevisualize=True olduğunda doğrulama görselleştirmelerinde sınıf etiketlerini gösterir. Eşleşmeleri ve hataları daha sade görüntülemek için False olarak ayarla.
show_confboolTruevisualize=True olduğunda doğrulama görselleştirmelerinde güven puanlarını gösterir. Eşleşmeleri ve hataları daha sade görüntülemek için False olarak ayarla.
compilebool veya strFalsePyTorch 2.x torch.compile grafik derlemesini backend='inductor' ile etkinleştirir. True → "default", devre dışı bırakmak için False veya "default", "reduce-overhead", "max-autotune-no-cudagraphs" gibi bir dize modu kabul eder. Desteklenmiyorsa uyarı vererek eager moda geri döner.
channels_lastboolNoneYerel PyTorch doğrulaması için channels_last (NHWC) bellek biçimini kullanır. None, PyTorch 1.13 veya daha yeni sürümlerin yüklü olduğu, oneDNN etkin Linux ve Windows x86 CPU'larda bunu otomatik olarak etkinleştirir; False devre dışı bırakır ve True desteklenen x86 CPU veya CUDA cihazlarında kullanılmasını ister. ARM64, MPS, eski PyTorch sürümleri, oneDNN olmayan CPU'lar ve dışa aktarılmış biçimler değişmeden kalır; eğitim sırasındaki doğrulama, eğitim modelinin düzenini korur.
nmsbool, isteğe bağlıNoneVarsayılan olarak NMS ile bire-çok çıkarım yapar (None veya True). Kullanılabiliyorsa NMS'siz bire-bir başlığı kullanmak için False değerini ayarla. Ayrıntılar için Uçtan Uca Algılama kılavuzuna bak.

Bu ayarları ihtiyaçlarına ve kaynaklarına göre düzenlemek, değerlendirme doğruluğu ile hız arasında doğru dengeyi kurmana yardımcı olur.

Dikdörtgen doğrulama geometrisi (rect)#

Statik dışa aktarımlar, kare olmayan dışa aktarımlar da dahil olmak üzere doğrulama için kaydedilmiş (height, width) girdi şeklini kullanır. Örneğin, model imgsz=(384, 640) ile dışa aktarılmışsa YOLO("yolo26n.onnx").val(data="coco8.yaml"), 384×640 girdisini kullanır.

Tespit, örnek segmentasyonu, poz ve OBB için dikdörtgen doğrulama (rect=True), her batch boyutunu ceil(shape * imgsz / stride + 0.5) * stride kullanarak yukarı yuvarlar; burada shape, batch'in normalize edilmiş yüksekliği veya genişliğidir. Oluşan dolgu, karşılıklı kenarlar arasında bölüştürülür. Örneğin, 640×640 boyutundaki kare bir görüntü imgsz=640 ile doğrulanırken 32 stride kullanıldığında, her kenarında 16 px dolgu bulunan 672×672 boyutunda bir girdi kullanılır; predict() ise dolgu olmadan 640×640 boyutunu kullanır.

Bu fark, doğrulama metriklerini etkileyebilir. Kare ve stride ile hizalanmış girdilerde model.val(rect=False), predict() ve kare sabit şekilli dışa aktarımların geometrisiyle eşleşir. Eğitim sırasında bu YOLO görevleri, eğitimdeki rect ayarından bağımsız olarak dikdörtgen doğrulama batch'leri kullanır; bu nedenle model.train(rect=False), dikdörtgen doğrulamayı kullanarak yine best.pt seçer. Diğer görevler farklı davranır: anlamsal segmentasyon ek doğrulama dolgusu eklemez, derinlik dikdörtgen doğrulamayı devre dışı bırakır, sınıflandırma rect ayarını yok sayar ve RT-DETR, rect=False içeren kendi veri kümesi oluşturucusunu kullanır.

Bağımsız Değişkenlerle Doğrulama Örneği#



İzle: Model Doğrulama Sonuçları CSV, JSON, SQL, Polars DataFrame ve Daha Fazlasına Nasıl Aktarılır

Explore model validation and different export methods in Google Colab

Aşağıdaki örneklerde özel argümanlarla Python ve CLI üzerinden YOLO modeli doğrulaması yapılır.

Örnek
from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")

# Doğrulama ayarlarını özelleştir
metrics = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.7, device="0")
ConfusionMatrix'i dışa aktar

Karışıklık matrisi sonuçlarını DataFrame gibi farklı biçimlerde de dışa aktarabilirsin:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

results = model.val(data="coco8.yaml", plots=True)
print(results.confusion_matrix.to_df())
Görüntü Başına Hassasiyet, Geri Çağırma ve F1

Doğrulama, her görüntü için (IoU eşiği 0.5 iken) kesinlik, duyarlılık, F1, TP, FP ve FN metriklerini kaydeder. Doğrulama tamamlandıktan sonra algılama ve OBB için results.box.image_metrics, segmentasyon için results.seg.image_metrics ve poz tahmini için results.pose.image_metrics üzerinden bu metriklere erişebilirsin.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")

# Doğrulama yap ve görüntü başına metriklere eriş
results = model.val(data="coco8.yaml")

# Anahtarlar, ortak görüntü dizinine göreli yollardır; ör. 'image1.jpg' veya 'a/image1.jpg'
print(results.box.image_metrics)
# Output: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# Belirli bir görüntünün metriklerine eriş
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

image_metrics içindeki her girdi şu anahtarları içerir:

AnahtarAçıklama
precisionGörüntünün hassasiyet puanı (tp / (tp + fp)).
recallGörüntünün geri çağırma puanı (tp / (tp + fn)).
f1Hassasiyet ve geri çağırmanın harmonik ortalaması.
tpGörüntüdeki doğru pozitiflerin sayısı.
fpGörüntüdeki yanlış pozitiflerin sayısı.
fnGörüntüdeki yanlış negatiflerin sayısı.

Bu özellik tespit, segmentasyon, poz ve OBB görevlerinde kullanılabilir.

Döndürülen metrik nesnesi, sonraki analizler için DataExportMixin içindeki dışa aktarma yardımcılarını da sunar:

YöntemDönüş TürüAçıklama
summary()List[Dict[str, Any]]Doğrulama sonuçlarını, her satır için bir tane olacak şekilde sözlüklerden oluşan bir liste olarak döndürür.
to_df()DataFrameDoğrulama sonuçlarını yapılandırılmış bir Polars DataFrame olarak döndürür.
to_csv()strDoğrulama sonuçlarını CSV biçiminde dışa aktarır ve CSV dizgesini döndürür.
to_json()strDoğrulama sonuçlarını JSON biçiminde dışa aktarır ve JSON dizgesini döndürür.

Algılama, segmentasyon, anlamsal segmentasyon, poz ve OBB sonuçlarında doğrulama etiketlerindeki her sınıf için bir satır bulunur; bu nedenle to_csv() ve to_json(), sınıf başına metrikleri dışa aktarır:

GörevSınıf başına sütunlar
algılamaClass, Images, Instances, Box-P, Box-R, Box-F1, mAP50, mAP75, mAP50-95
segmentasyonAlgılama sütunları, ardından Mask-P, Mask-R, Mask-F1, Mask-mAP50, Mask-mAP75, Mask-mAP50-95
anlamsalClass, Images, Pixels, IoU, mIoU ve pixel_acc (ikisi de genel), class_pixel_acc
pozAlgılama sütunları, ardından Pose-P, Pose-R, Pose-F1, Pose-mAP50, Pose-mAP75, Pose-mAP50-95
obbAlgılama sütunları

Derinlik tahmini, delta1, delta2, delta3, abs_rel, rmse ve silog içeren tek bir satır; sınıflandırma ise top1_acc ve top5_acc içeren tek bir satır döndürür.

from ultralytics import YOLO

model = YOLO("yolo26n-seg.pt")
metrics = model.val(data="coco8-seg.yaml")
metrics.to_csv()  # kutu ve maske metrikleriyle sınıf başına bir satır

Sırada ne var?#

Metriklerden memnun musun? Dağıtım biçimine modeli aktar. Doğruluk istediğin gibi değilse, farklı hiperparametrelerle veya daha fazla eğitim verisiyle geri dönüp yeniden eğit.

Sık Sorulan Sorular#

  • YOLO26 modelini doğrulamak için Ultralytics'in sunduğu Val modunu kullanabilirsin. Örneğin, Python API'yi kullanarak bir modeli yükleyebilir ve şu şekilde doğrulama çalıştırabilirsin:

    from ultralytics import YOLO
    
    # Bir model yükle
    model = YOLO("yolo26n.pt")
    
    # Modeli doğrula
    metrics = model.val()
    print(metrics.box.map)  # map50-95

    Alternatif olarak komut satırı arayüzünü (CLI) kullanabilirsin:

    yolo detect val model=yolo26n.pt data=coco8.yaml

    Daha fazla özelleştirme için hem Python hem de CLI modlarında imgsz, batch ve conf gibi çeşitli bağımsız değişkenleri ayarlayabilirsin. Parametrelerin tam listesi için YOLO Modeli Doğrulama Bağımsız Değişkenleri bölümüne bak.

  • YOLO26 modeli doğrulaması, model performansını değerlendirmek için birkaç önemli metrik sunar. Bunlar şunlardır:

    • mAP50 (ortalama Ortalama Kesinlik, IoU eşiği 0.5'te)
    • mAP75 (IoU eşiği 0.75'teki ortalama Ortalama Kesinlik)
    • mAP50-95 (0.5 ile 0.95 arasındaki çeşitli IoU eşiklerinde ortalama Ortalama Kesinlik)

    Python API'yi kullanarak bu metriklere şu şekilde erişebilirsin:

    metrics = model.val()  # `model` öğesinin yüklendiği varsayılır
    print(metrics.box.map)  # mAP50-95
    print(metrics.box.map50)  # mAP50
    print(metrics.box.map75)  # mAP75
    print(metrics.box.maps)  # Sınıf başına mAP50-95; val kümesinde bulunmayan sınıflara genel mAP değeri atanır
    print(metrics.box.ap_class_index)  # Gerçekten değerlendirilen sınıf indeksleri
    print(metrics.box.image_metrics)  # Hassasiyet, geri çağırma, F1, TP, FP ve FN değerlerini içeren görüntü başına metrik sözlüğü

    Performansı eksiksiz değerlendirmek için tüm bu metrikleri incele.

  • Ultralytics YOLO'yu doğrulama için kullanmak çeşitli avantajlar sunar:

    • Kesinlik: YOLO26; mAP50, mAP75 ve mAP50-95 dahil olmak üzere doğru performans metrikleri sunar.
    • Kolaylık: Modeller eğitim ayarlarını hatırlar, böylece doğrulama kolaylaşır.
    • Esneklik: Aynı veya farklı veri kümeleri ve görüntü boyutlarıyla doğrulama yapabilirsin.
    • Hiperparametre Ayarı: Doğrulama metrikleri, daha iyi performans için modellerde ince ayar yapmaya yardımcı olur.

    Bu faydalar, modelleri kapsamlı biçimde değerlendirip optimize etmene yardımcı olur.

  • Evet, YOLO26 modelini bir özel veri kümesi kullanarak doğrulayabilirsin. Veri kümesi YAML dosyanın yolunu data bağımsız değişkeniyle belirt; bu dosyada doğrulama verilerinin yolu bulunmalıdır. Sınıflandırma içinse bir veri kümesi dizini veya yerleşik bir veri kümesi adı (ör. imagenet10) kullanılır.

    Not

    Doğrulama, modelin kendi sınıf adları kullanılarak yapılır. Bu adları model.names ile görüntüleyebilirsin; adlar, veri kümesinde tanımlananlardan farklı olabilir.

    Python örneği:

    from ultralytics import YOLO
    
    # Bir model yükle
    model = YOLO("yolo26n.pt")
    
    # Özel bir veri kümesiyle doğrula
    metrics = model.val(data="path/to/your/custom_dataset.yaml")
    print(metrics.box.map)  # map50-95

    CLI kullanarak örnek:

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

    Doğrulama sırasında daha fazla özelleştirme seçeneği için Bağımsız Değişkenlerle Doğrulama Örneği bölümüne bak.

  • Doğrulama sonuçlarını JSON dosyasına kaydetmek için doğrulamayı çalıştırırken save_json bağımsız değişkenini True olarak ayarlayabilirsin. Bunu hem Python API hem de CLI ile yapabilirsin.

    Python örneği:

    from ultralytics import YOLO
    
    # Bir model yükle
    model = YOLO("yolo26n.pt")
    
    # Doğrulama sonuçlarını JSON'a kaydet
    metrics = model.val(save_json=True)

    CLI kullanarak örnek:

    yolo val model=yolo26n.pt save_json=True

    Tespit veri kümelerinde save_json=True, faster-coco-eval aracılığıyla küçük, orta ve büyük nesneler için mAP değerlerini de raporlar. Daha fazla bilgi için YOLO Modeli Doğrulama Bağımsız Değişkenleri bölümüne bak.

Yorumlar279

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. BedoHatemGitHub

    I have a couple of models (a mix of object detection and segmentation), so I want to run them on the same validation dataset to compare them properly. The exact tasks for the seg and obj-det models are the same at a certain level, so I'm aware that seg models give a B-Box and Mask, while obj-det gives just a B-Box.

    With that said, will a segmentation dataset work on both seg and obj-det models ? Or should i make a seg and a obj-det version of the same dataset, so i can use it to equally validate the models ?

    Thanks in Advance

    1
    1. BedoHatemGitHub

      I tested it. It seems you can use a segmentation dataset to validate an obj-det model, as the seg datasets include B-Boxes and Masks of the classes.

      1
    2. Glenn JocherUltralytics(düzenlendi)

      @BedoHatem yes, you're correct! Segmentation datasets can be used to validate object detection models because they contain the bounding box annotations needed for detection evaluation. The segmentation masks are simply ignored when the dataset is used with a detection model.

      This flexibility is an advantage of the YOLO annotation format - the additional segmentation data doesn't interfere with detection evaluation. For the most accurate comparison between models, using the same validation dataset ensures you're evaluating performance on exactly the same ground truth data.

      @417dq the recall reported by val() is taken at the confidence value that maximizes F1, while the confusion matrix is built at the validation conf (0.001 by default) with an IoU matching threshold of 0.45, so the two can differ. The metrics output from val() is the reference for your model's performance.

  2. CyedenGitHub

    请问如果验针集是已经被多尺度分割了,那么再进行验证的时候imgsz应该设置为不同尺度验证的逻辑吗?例如: if name == 'main': model = YOLO(r'C:\Users\Lazy\Desktop\yolo_detect\weights\best.pt')

    multi_scale_sizes = [640, 800, 1024, 1280] 
    
    for size in multi_scale_sizes:
        model.val(
            data='ultralytics/cfg/datasets/DOTAv1.yaml',
            split='val',
            imgsz=size,
            batch=16,
            project='runs/val',
            name=f'v8n-obb-LSKNet_prev8x-obbpt_{size}',
        )
    1
    1. Glenn JocherUltralytics

      @Cyeden for multi-scale validation, you can indeed set imgsz to different scales within a loop. This approach allows you to evaluate the model's performance across various image sizes. Your implementation looks correct. Ensure you are using the latest version of the Ultralytics package to avoid any potential issues. For more details, you can refer to the validation documentation.

  3. YunYeTangGitHub

    hi, when I use yolov8-obb to validate DOTAv1, I found that confusion matrix is empty. Does it mean that confusion matrix is not supported in OBB validation?

    1
    1. Glenn JocherUltralytics(düzenlendi)

      Hi there! 👋

      The confusion matrix is supported for OBB validation in current Ultralytics versions. If yours is empty, update with pip install -U ultralytics and re-run validation with plots=True. If it is still empty, please share your yolo checks output and the validation command so we can look into it.

      In the meantime, you can still rely on the other validation metrics such as mAP, precision, and recall.

    2. Glenn JocherUltralytics(düzenlendi)

      Hey there! 🚀

      Thank you for reaching out! The confusion matrix is supported for OBB validation in current Ultralytics versions. If yours is empty, update with pip install -U ultralytics and re-run validation with plots=True; if it is still empty, share your yolo checks output and validation command so we can look into it.

      For a comprehensive evaluation you can also rely on the other metrics provided during validation, such as mAP, precision, and recall. Cheers! 🌟

  4. xyzxyzxyzxyzxzGitHub

    I want to read this page in English. Why it automatically become Chinese even though I click "GB English".

    1. Glenn JocherUltralytics

      It looks like you’re on the Chinese locale (the URL contains "/zh/"). Remove "/zh/" to view the English version, or use the top‑right language selector (GB English) and hard‑refresh; also ensure your browser’s auto‑translate is disabled.

    2. Glenn JocherUltralytics

      Thanks for the detailed description—that behavior sounds like a docs locale‑routing bug on our side rather than anything you can fix locally; we’ll get it forwarded to the web/docs team, and in the meantime could you confirm whether going directly to the English URL Model Validation with Ultralytics YOLO (English) still forces you back to Chinese and share your OS + browser version so we can reproduce it?

    3. Glenn JocherUltralytics

      Thanks for the extra details—that confirms this is an issue on the docs side, likely tied to your system/browser language being Chinese and our locale detection forcing /zh/ even when you pick English. I’ve passed this to the web/docs team to investigate; as a temporary workaround you can try using a browser whose interface language is set to English (or move English to the top of Chrome’s language preferences) so the site stops auto‑redirecting to the Chinese locale.

  5. AA278-HUBGitHub

    I have a model trained on a dataset containing four classes (car, bus, motorbike, and trunk). Now, I have a new dataset with only one class (vehicle). How can I validate this model using the new dataset, given that I only care about whether the model can identify the vehicle and its position, without concern for the specific type of vehicle?

    1. AA278-HUBGitHub

      f I want to change the validation rules in this specific situation, which .py files need to be modified

    2. Glenn JocherUltralytics

      @liujixingit save_txt writes normalized YOLO xywh (center x/y, width, height) relative to the original image size; recover pixel xyxy via the original W,H then center→corner conversion, e.g.:

      # line format: class x y w h [conf]
      cls, x, y, w, h, *rest = map(float, line.split())
      x1 = (x - w/2) * W; y1 = (y - h/2) * H
      x2 = (x + w/2) * W; y2 = (y + h/2) * H

      Function details are in the save_one_txt reference and the save_txt format is noted under Validation settings.

      @carlos-cell To get APs/APm/APl, run COCO-style evaluation with JSON saving and check the printed COCO summary:

      yolo detect val model=yolo11n.pt data=coco.yaml save_json=True

      This triggers COCO eval inside validation; see COCO evaluation in val and the size-specific metrics overview in the Performance metrics deep dive.

      @AA278-HUB For “any vehicle” validation, use single-class evaluation so all types collapse to one:

      metrics = model.val(data='vehicle.yaml', single_cls=True, agnostic_nms=True)

      Argument behavior is documented in the Val mode arguments.

      @AA278-HUB You don’t need code changes for the above, but if you must customize matching/metrics, start from DetectionValidator and the val() entry point: see the DetectionValidator reference and the val() method in engine/model.py; if proposing a PR, please keep scope minimal and include tests.

  6. liujixingitGitHub

    YOLOv8 调用验证功能开启save_txt后保存的坐标如何还原到原图,我尝试了直接×原图宽高,还原的坐标是错误的。save_txt保存的结果是相对什么计算得出的归一化坐标?

  7. CherishzyhGitHub

    hello, I read some dialog about the IOU threshold and confidence threshold and have some questions.

    1. CherishzyhGitHub
      1. the document shows that 'iou' is the threshold for NMS.Is it also a threshold for calculate the confusion matrix? eg. I hope that if the IoU between the prediction and the ground truth is greater than 0.2, it will be considered a true positive (TP). At the same time, does the NMS threshold also have to be 0.2?
    2. CherishzyhGitHub
      1. For confidence threshold, if I set it to 0.1, that mean all bboxes with a score lower than 0.1 will be removed when calculate the PR-curve?. If so, does it will also be remove in result json or txt ?
    3. Glenn JocherUltralytics

      @Cherishzyh great questions:

      1. The iou argument in val() controls NMS overlap removal only; it does not change the IoU used to determine TP/FP or mAP. Metrics are computed over fixed IoU thresholds 0.50–0.95. If you need evaluation at IoU=0.2, export predictions and compute custom metrics offline. See the Performance Metrics deep dive.

      2. The conf argument is a minimum score filter. Setting conf=0.1 removes all predictions with score < 0.1 prior to evaluation and from saved outputs (save_json/save_txt). You can still access PR data from the results object:

      from ultralytics import YOLO
      model = YOLO("yolo11n.pt")
      res = model.val(conf=0.1, iou=0.7, save_json=True, save_txt=True, plots=True)
      print(res.box.p_curve)  # precision curve vs score thresholds
      print(res.box.r_curve)  # recall curve vs score thresholds

      Argument details are in the Val mode arguments.

  8. lauravchrobakGitHub

    When I run validate without setting plots=True I still get the f1, PR curve plots in the val folder. Potentially the default for this flag is actually true despite it being false in the table above?

  9. sea190GitHub

    The question about val of yoloworld, and I used my custom dataset, and I make sure the format of ma dataset is corret. While when I run the val.py the code still validate the categories of COCO Dataset instead of my dataset? How can I solve this problem?

    1. ihciabGitHub

      You can try specifying the path of the validation set. When calling the val function, specify model.val(data=‘your_data’)

    2. Glenn JocherUltralytics

      @sea190 for YOLO-World validation with custom datasets, ensure your dataset YAML file correctly defines the class names and paths. YOLO-World may default to COCO categories if the dataset configuration isn't properly specified. Try:

      model.val(data='path/to/your/custom_dataset.yaml')

      Make sure your YAML file includes the correct names field with your custom class names and verify the val path points to your validation images and labels. If issues persist, check that your dataset follows the expected format for YOLO-World validation.