Xác thực model với Ultralytics YOLO#

Giới thiệu#

Xác thực là một bước quan trọng trong pipeline machine learning, cho phép bạn đánh giá chất lượng của các model đã huấn luyện. Chế độ Val trong Ultralytics YOLO26 cung cấp một bộ công cụ và metric mạnh mẽ để đánh giá hiệu năng 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 các model vừa chính xác vừa đáng tin cậy.

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

Tại sao nên xác thực với Ultralytics YOLO?#

Dưới đây là những lợi ích của việc 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 có khả năng ghi nhớ thiết lập huấn luyện, giúp đơn giản hóa quy trình xác thực.
• Linh hoạt: Xác thực model trên cùng hoặc các dataset khác nhau và với các kích thước ảnh khác nhau.
• Tinh chỉnh hyperparameter: Sử dụng các metric xác thực để tinh chỉnh model nhằm đạt hiệu năng tốt hơn.

Các tính năng chính của chế độ Val#

Dưới đây là các chức năng đáng chú ý do chế độ Val của YOLO26 cung cấp:

• Thiết lập tự động: Model ghi nhớ cấu hình huấn luyện, giúp việc xác thực trở nên đơn giản.
• Hỗ trợ nhiều metric: Đánh giá model dựa trên nhiều metric độ chính xác.
• CLI và Python API: Tùy theo nhu cầu, chọn giao diện dòng lệnh hoặc Python API để xác thực.
• Tương thích dữ liệu: Hoạt động liền mạch với các dataset được sử dụng trong giai đoạn huấn luyện cũng như các dataset tùy chỉnh.

Ví dụ sử dụng#

Xác thực độ chính xác của model YOLO26n đã huấn luyện trên dataset COCO8. Không cần cung cấp tham số vì model giữ lại data và các tham số huấn luyện dưới dạng thuộc tính của model. Xem phần Arguments bên dưới để biết 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

Các tham số để xác thực YOLO model#

Khi xác thực các model YOLO, bạn có thể tinh chỉnh một số tham số để tối ưu quy trình đánh giá. Các tham số này kiểm soát những khía cạnh như kích thước ảnh đầu vào, xử lý batch và các ngưỡng hiệu năng. Dưới đây là phân tích chi tiết từng tham số để giúp bạn tùy chỉnh thiết lập xác thực hiệu quả.

Mỗi thiết lập này đều đóng vai trò quan trọng trong quy trình xác thực, cho phép đánh giá các model YOLO một cách hiệu quả và có thể tùy chỉnh. Điều chỉnh các tham số theo nhu cầu và tài nguyên cụ thể có thể giúp đạt được sự cân bằng tốt nhất giữa độ chính xác và hiệu năng.

Ví dụ xác thực với các tham số#

Các ví dụ dưới đây minh họa việc xác thực model 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}

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

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

Tiếp theo là gì?#

Hài lòng với các metric? Export model sang format triển khai. Nếu độ chính xác chưa đạt, quay lại và huấn luyện lại với các hyperparameter khác hoặc nhiều dữ liệu huấn luyện hơn.

FAQ#