Xác thực Mô hình với Ultralytics YOLO

Giới thiệu

Xác thực là một bước quan trọng trong quy trình học máy, cho phép bạn đánh giá chất lượng của các mô hình đã huấn luyện của mình. Chế độ Val trong Ultralytics YOLO11 cung cấp một bộ công cụ và số liệu mạnh mẽ để đánh giá hiệu suất của các mô hình phát hiện đối tượng của bạn. Hướng dẫn này đóng vai trò là một tài nguyên hoàn chỉnh để hiểu cách sử dụng hiệu quả chế độ Val để đảm bảo rằng các mô hình của bạn vừa chính xác vừa đáng tin cậy.

Xem: Hướng dẫn về Chế độ Ultralytics: Xác thực

Tại sao nên Xác thực bằng Ultralytics YOLO?

Dưới đây là lý do tại sao sử dụng chế độ Val của YOLO11 mang lại nhiều lợi ích:

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

Các Tính năng Chính của Chế độ Val

Đây là các chức năng đáng chú ý được cung cấp bởi chế độ Val của YOLO11:

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

Ví dụ sử dụng

Xác thực mô hình YOLO11n đã huấn luyện độ chính xác trên tập dữ liệu COCO8. Không cần đối số nào vì model giữ lại quá trình huấn luyện data và các đối số dưới dạng thuộc tính của mô hình. Xem phần Đối số bên dưới để có danh sách đầy đủ các đối số xác thực.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt      # val official model
yolo detect val model=path/to/best.pt # val custom model

Đối số để Xác thực Mô hình YOLO

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

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

Xác thực Ví dụ với Đối số

Xem: Cách xuất kết quả xác thực mô hình sang CSV, JSON, SQL, Polars DataFrame và nhiều định dạng khác

Các ví dụ dưới đây trình bày validation mô hình YOLO với các đối số tùy chỉnh trong Python và CLI.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Customize validation settings
metrics = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.6, device="0")

yolo val model=yolo11n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

results = model.val(data="coco8.yaml", plots=True)
print(results.confusion_matrix.to_df())

Để biết thêm chi tiết, xem DataExportMixin tài liệu về class.

Câu hỏi thường gặp

Làm cách nào để xác thực mô hình YOLO11 của tôi bằng Ultralytics?

Để validate mô hình YOLO11 của bạn, bạn có thể sử dụng chế độ Val được cung cấp bởi Ultralytics. Ví dụ: sử dụng Python API, bạn có thể tải mô hình và chạy validation với:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt

Để tùy chỉnh thêm, bạn có thể điều chỉnh các đối số khác nhau như imgsz, batch, và conf trong cả hai chế độ Python và CLI. Kiểm tra Đối số để Xác thực Mô hình YOLO phần để biết danh sách đầy đủ các tham số.

Tôi có thể nhận được những số liệu nào từ việc xác thực mô hình YOLO11?

Validation mô hình YOLO11 cung cấp một số chỉ số chính để đánh giá hiệu suất của mô hình. Chúng bao gồm:

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

Sử dụng Python API, 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

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

Những lợi thế của việc sử dụng Ultralytics YOLO để xác thực là gì?

Sử dụng Ultralytics YOLO để validation mang lại một số lợi thế:

• Độ chính xác: YOLO11 cung cấp các số liệu hiệu suất chính xác bao gồm mAP50, mAP75 và mAP50-95.
• Tiện lợi: Các mô hình ghi nhớ các cài đặt huấn luyện của chúng, giúp cho việc validation trở nên đơn giản.
• Linh hoạt: Bạn có thể validate trên cùng một hoặc các tập dữ liệu và kích thước hình ảnh khác nhau.
• Điều chỉnh siêu tham số: Các số liệu validation giúp tinh chỉnh các mô hình để có 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 những lợi thế này trong phần Tại sao nên Validate bằng Ultralytics YOLO.

Tôi có thể xác thực mô hình YOLO11 của mình bằng bộ dữ liệu tùy chỉnh không?

Có, bạn có thể xác thực mô hình YOLO11 của mình bằng cách sử dụng bộ dữ liệu tùy chỉnh. Chỉ định đối số data với đường dẫn đến tệp cấu hình bộ dữ liệu của bạn. Tệp này phải bao gồm đường dẫn đến dữ liệu xác thực, tên lớp và các chi tiết liên quan khác.

Ví dụ trong Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.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 Xác thực với Đối số.

Làm cách nào để lưu kết quả xác thực vào tệp JSON trong YOLO11?

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

Ví dụ trong Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

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

Ví dụ sử dụng CLI:

yolo val model=yolo11n.pt save_json=True

Chức năng này đặc biệt hữu ích để phân tích sâu hơn hoặc tích hợp với các công cụ khác. Xem Đối số cho Xác thực Mô hình YOLO để biết thêm chi tiết.

📅 Đã tạo 1 năm trước ✏️ Cập nhật 5 ngày trước

Bình luận