Link to this sectionXác thực mô hình với Ultralytics YOLO#

Link to this sectionGiới thiệu#

Xác thực là một bước quan trọng trong quy trình machine learning, cho phép bạn đánh giá chất lượng của các mô hình đã được huấn luyện. Chế độ Val trong Ultralytics YOLO26 cung cấp một bộ công cụ và số liệu mạnh mẽ để đánh giá hiệu suất của các mô hình object detection của bạn. Hướng dẫn này đóng vai trò là tài nguyên hoàn chỉnh để hiểu cách sử dụng hiệu quả chế độ Val nhằm đảm bảo các mô hình của bạn vừa chính xác vừa đáng tin cậy.

Link to this sectionTại sao nên xác thực bằng Ultralytics YOLO?#

Dưới đây là lý do tại sao việc sử dụng chế độ Val của YOLO26 lại có lợi:

• Độ chính xác (Precision): Nhận các số liệu chính xác như mAP50, mAP75 và mAP50-95 để đánh giá toàn diện mô hình của bạn.
• Sự thuận tiện: Tận dụng các tính năng tích hợp sẵn ghi nhớ các cài đặt huấn luyện, giúp đơn giản hóa quy trình xác thực.
• Tính linh hoạt: Xác thực mô hình của bạn với cùng một bộ dữ liệu hoặc bộ dữ liệu khác và kích thước hình ảnh khác nhau.
• Tinh chỉnh siêu tham số: Sử dụng các số liệu xác thực để tinh chỉnh mô hình của bạn nhằm đạt hiệu suất tốt hơn.

Link to this sectionCác tính năng chính của chế độ Val#

Đây là các chức năng nổi bật được cung cấp bởi chế độ Val của YOLO26:

• Cài đặt tự động: Các mô hình ghi nhớ cấu hình huấn luyện của chúng để xác thực đơn giản.
• Hỗ trợ đa số liệu: Đánh giá mô hình của bạn dựa trên một loạt các số liệu độ chính xác.
• API Python và CLI: Chọn giữa giao diện dòng lệnh hoặc API Python dựa trên sở thích của bạn để xác thực.
• Khả năng tương thích dữ liệu: Hoạt động trơn tru với các bộ dữ liệu được sử dụng trong giai đoạn huấn luyện cũng như các bộ dữ liệu tùy chỉnh.

Link to this sectionVí dụ Sử dụng#

Xác thực độ chính xác của một mô hình YOLO26n đã được huấn luyện trên bộ dữ liệu COCO8. Không cần tham số nào vì model giữ lại data huấn luyện và các tham số làm thuộc tính mô hình. Xem phần Các tham số bên dưới để biết danh sách đầy đủ các tham số xác thực.

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 sectionCác tham số để xác thực mô hình YOLO#

Khi xác thực các mô hình YOLO, một số tham số có thể được tinh chỉnh để tối ưu hóa quy trình đánh giá. Các tham số này kiểm soát các khía cạnh như kích thước hình ảnh đầu vào, xử lý theo lô (batch) và ngưỡng hiệu suất. Dưới đây là phân tích chi tiết về từng tham số để giúp bạn tùy chỉnh các cài đặt xác thực của mình một cách hiệu quả.

Mỗi cài đặt này đóng một vai trò quan trọng trong quy trình xác thực, cho phép đánh giá các mô hình YOLO một cách hiệu quả và có thể tùy chỉnh. Việc điều chỉnh các tham số này theo nhu cầu và tài nguyên cụ thể của bạn có thể giúp đạt được sự cân bằng tốt nhất giữa độ chính xác và hiệu suất.

Link to this sectionVí dụ về xác thực với các tham số#

Các ví dụ dưới đây giới thiệu việc xác thực mô hình YOLO với các tham số tùy chỉnh trong Python và 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}

Để biết thêm chi tiết, hãy xem tài liệu lớp DataExportMixin.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionLàm cách nào để xác thực mô hình YOLO26 của tôi với Ultralytics?#

Để xác thực mô hình YOLO26 của bạn, bạn có thể sử dụng chế độ Val được cung cấp bởi Ultralytics. Ví dụ, sử dụng API Python, bạn có thể tải một mô hình và chạy xác thực với:

from ultralytics import YOLO

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

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

Ngoài ra, bạn có thể sử dụng giao diện dòng lệnh (CLI):

yolo val model=yolo26n.pt

Để tùy chỉnh thêm, bạn có thể điều chỉnh các tham số khác nhau như imgsz, batch và conf trong cả chế độ Python và CLI. Kiểm tra phần Các tham số để xác thực mô hình YOLO để xem danh sách đầy đủ các tham số.

Link to this sectionTôi có thể nhận được những số liệu nào từ việc xác thực mô hình YOLO26?#

Quá trình xác thực mô hình YOLO26 cung cấp một số số liệu chính để đánh giá hiệu suất mô hình. Bao gồm:

• mAP50 (mean Average Precision tại ngưỡng IoU 0.5)
• mAP75 (mean Average Precision tại ngưỡng IoU 0.75)
• mAP50-95 (mean Average Precision trên nhiều ngưỡng IoU từ 0.5 đến 0.95)

Sử dụng API Python, bạn có thể truy cập các số liệu này như sau:

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

Để đánh giá hiệu suất hoàn chỉnh, việc xem xét tất cả các số liệu này là rất quan trọng. Để biết thêm chi tiết, hãy tham khảo Các tính năng chính của chế độ Val.

Link to this sectionSử dụng Ultralytics YOLO để xác thực có những ưu điểm gì?#

Sử dụng Ultralytics YOLO để xác thực mang lại một số ưu điểm:

• Precision: YOLO26 cung cấp các số liệu hiệu suất chính xác bao gồm mAP50, mAP75 và mAP50-95.
• Sự thuận tiện: Các mô hình ghi nhớ cài đặt huấn luyện của chúng, giúp việc xác thực trở nên đơn giản.
• Tính linh hoạt: Bạn có thể xác thực với cùng một bộ dữ liệu hoặc các bộ dữ liệu khác nhau và kích thước hình ảnh khác nhau.
• Tinh chỉnh siêu tham số: Các số liệu xác thực giúp tinh chỉnh các mô hình để đạt hiệu suất tốt hơn.

Những lợi ích này đảm bảo rằng các mô hình của bạn được đánh giá kỹ lưỡng và có thể được tối ưu hóa để có kết quả vượt trội. Tìm hiểu thêm về các ưu điểm này trong phần Tại sao nên xác thực bằng Ultralytics YOLO.

Link to this sectionTôi có thể xác thực mô hình YOLO26 của mình bằng bộ dữ liệu tùy chỉnh không?#

Có, bạn có thể xác thực mô hình YOLO26 của mình bằng bộ dữ liệu tùy chỉnh. Chỉ định tham số data với đường dẫn đến tệp cấu hình bộ dữ liệu của bạn. Tệp này nên bao gồm đường dẫn đến dữ liệu xác thực.

Ví dụ trong 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

Ví dụ sử dụng CLI:

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

Để có thêm các tùy chọn tùy chỉnh trong quá trình xác thực, hãy xem phần Ví dụ về xác thực với các tham số.

Link to this sectionLàm cách nào để lưu kết quả xác thực vào tệp JSON trong YOLO26?#

Để lưu kết quả xác thực vào tệp JSON, bạn có thể đặt tham số save_json thành True khi chạy xác thực. Việc này có thể được thực hiện trong cả API Python và CLI.

Ví dụ trong Python:

from ultralytics import YOLO

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

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

Ví dụ sử dụng CLI:

yolo val model=yolo26n.pt save_json=True

Chức năng này đặc biệt hữu ích cho việc phân tích thêm hoặc tích hợp với các công cụ khác. Kiểm tra Các tham số để xác thực mô hình YOLO để biết thêm chi tiết.