Xác thực mô hình với Ultralytics YOLO#

Giới thiệu#

Validation là một bước quan trọng trong pipeline machine learning, cho phép bạn đánh giá chất lượng của các model đã được train. Chế độ Val trong Ultralytics YOLO26 cung cấp một bộ công cụ và metric mạnh mẽ để đánh giá hiệu suất của các model object detection. Hướng dẫn này là một tài liệu đầy đủ giúp bạn hiểu cách sử dụng hiệu quả chế độ Val để đảm bảo các model của bạn vừa chính xác vừa đáng tin cậy.

Tại 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.
• Hyperparameter Tuning: Sử dụng các metric validation để tinh chỉnh model của bạn nhằm đạt hiệu suất tốt hơn.

Các 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.

Ví dụ Sử dụng#

Validate độ chính xác của một model YOLO26n đã được train trên dataset COCO8. Không cần tham số nào vì model giữ lại data và các tham số training của nó làm thuộc tính của model. Xem phần Tham số bên dưới để biết danh sách đầy đủ các tham số validation.

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

Các 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.

Ví 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.

Các bước tiếp theo#

Hài lòng với các metric? Export model sang một định dạng triển khai. Nếu độ chính xác chưa đạt, hãy quay lại và train lại với các hyperparameter khác hoặc nhiều dữ liệu training hơn.

Câu hỏi thường gặp#

Làm 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 ở cả chế độ Python và CLI. Kiểm tra phần Arguments for YOLO Model Validation để xem danh sách đầy đủ các tham số.

Tôi 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 metric này là rất quan trọng. Để biết thêm chi tiết, hãy tham khảo phần Key Features of Val Mode.

Sử 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 metric 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 model của bạn được đánh giá kỹ lưỡng và có thể được tối ưu hóa để đạt kết quả vượt trội. Tìm hiểu thêm về những ưu điểm này trong phần Why Validate with Ultralytics YOLO.

Tôi có thể xác thực mô hình YOLO26 của mình bằng bộ dữ liệu tùy chỉnh không?#

Có, bạn có thể validate model YOLO26 của mình bằng cách sử dụng một custom dataset. Chỉ định tham số data với đường dẫn đến file YAML dataset của bạn, nơi nên bao gồm đường dẫn đến validation data. Riêng phần classification sẽ nhận một thư mục dataset hoặc một tên dataset có sẵn (ví dụ: imagenet10).

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 biết thêm các tùy chọn có thể tùy chỉnh trong quá trình validation, hãy xem phần Example Validation with Arguments.

Làm cách nào để lưu kết quả xác thực vào tệp JSON trong YOLO26?#

Để lưu kết quả validation vào một file JSON, bạn có thể thiết lập tham số save_json thành True khi chạy validation. Việc này có thể thực hiện được ở cả Python API 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

Tính năng này cực kỳ hữu ích cho việc phân tích thêm hoặc tích hợp với các công cụ khác. Kiểm tra Arguments for YOLO Model Validation để biết thêm chi tiết.