Đánh giá model với Ultralytics YOLO#

Giới thiệu#

Đánh giá là bước quan trọng trong quy trình machine learning, giúp bạn đánh giá chất lượng của các model đã huấn luyện. Chế độ Val trong Ultralytics YOLO26 cung cấp bộ công cụ và metric mạnh mẽ để đánh giá hiệu suất của các model phát hiện đối tượng. Hướng dẫn này là tài liệu đầy đủ giúp bạn hiểu cách sử dụng hiệu quả chế độ Val để đảm bảo model vừa chính xác vừa đáng tin cậy.

Xem bản xem trước YOLO27 chưa phát hành để tham khảo kết quả đánh giá sơ bộ.

Tại sao nên xác thực bằng Ultralytics YOLO?#

Sau đây là những ưu điểm khi sử dụng chế độ Val của YOLO26:

• Độ chính xác: Nhận các metric chính xác như mAP50, mAP75 và mAP50-95 để đánh giá toàn diện model.
• Tiện lợi: Sử dụng các tính năng tích hợp sẵn để ghi nhớ cài đặt huấn luyện, giúp đơn giản hóa quy trình xác thực.
• Linh hoạt: Xác thực model bằng cùng hoặc khác dataset và kích thước ảnh.
• Tinh chỉnh hyperparameter: Sử dụng các metric xác thực để tinh chỉnh model nhằm cải thiện hiệu suất.

Các tính năng chính của chế độ Val#

Sau đây là những chức năng nổi bật của chế độ Val trong YOLO26:

• Cài đặt tự động: Model ghi nhớ cấu hình huấn luyện để việc xác thực diễn ra thuận tiện.
• Hỗ trợ nhiều metric: Đánh giá model dựa trên nhiều metric độ chính xác.
• CLI và Python API: Tùy theo lựa chọn, bạn có thể xác thực bằng giao diện dòng lệnh hoặc Python API.
• Tương thích dữ liệu: Hoạt động liền mạch với dataset dùng trong giai đoạn huấn luyện cũng như dataset tùy chỉnh.

Ví dụ sử dụng#

Xác thực độ chính xác của model YOLO26n đã huấn luyện. Không cần đối số vì model lưu data và các đối số dùng khi huấn luyện dưới dạng thuộc tính của model: path/to/best.pt sẽ xác thực trên dataset mà model đã được huấn luyện. Trọng số chính thức lưu đường dẫn đến dataset huấn luyện không tồn tại trên máy của bạn, vì vậy chúng sẽ dùng coco8.yaml mặc định của tác vụ và đưa ra cảnh báo. Truyền data để xác thực trên dataset khác. Xem phần Đối số bên dưới để biết danh sách đầy đủ các đối số xác thực.

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n.pt")  # tải model chính thức
model = YOLO("path/to/best.pt")  # tải model tùy chỉnh

# Xác thực model
metrics = model.val()  # không cần đối số, dataset và cài đặt đã được ghi nhớ
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # danh sách chứa mAP50-95 cho từng danh mục
metrics.box.image_metrics  # dictionary metric theo từng ảnh, gồm precision, recall, F1, TP, FP và FN

Đối số xác thực model YOLO#

Khi xác thực model YOLO, bạn có thể tinh chỉnh một số đối số để tối ưu quy trình đánh giá. Các đối số này kiểm soát những khía cạnh như kích thước ảnh đầu vào, xử lý batch và ngưỡng hiệu suất. Dưới đây là giải thích chi tiết từng đối số để giúp bạn tùy chỉnh hiệu quả cài đặt xác thực.

Mỗi cài đặt này đều đóng vai trò quan trọng trong quy trình xác thực, cho phép đánh giá model YOLO một cách linh hoạt và hiệu quả. Điều chỉnh các tham số theo nhu cầu và tài nguyên cụ thể có thể giúp đạt được sự cân bằng tối ưu giữa độ chính xác và hiệu suất.

Ví dụ xác thực với các đối số#

Các ví dụ dưới đây minh họa cách xác thực model YOLO bằng đối số tùy chỉnh trong Python và CLI.

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n.pt")

# Tùy chỉnh cài đặt xác thực
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

# Tải model
model = YOLO("yolo26n.pt")

# Xác thực và truy cập metric theo từng ảnh
results = model.val(data="coco8.yaml")

# image_metrics là dictionary có tên tệp ảnh làm khóa
print(results.box.image_metrics)
# Đầu ra: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# Truy cập metric của một ảnh cụ thể
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

Đối tượng metric được trả về cũng cung cấp các hàm hỗ trợ xuất dữ liệu để phân tích tiếp:

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

Tiếp theo là gì#

Hài lòng với các metric? Xuất model sang định dạng triển khai. Nếu độ chính xác chưa đạt yêu cầu, quay lại huấn luyện với hyperparameter khác hoặc thêm dữ liệu huấn luyện.

Câu hỏi thường gặp#