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 huấn luyện. Chế độ Val trong Ultralytics YOLO26 cung cấp một bộ công cụ và chỉ số mạnh mẽ để đánh giá hiệu suất các mô hình object detection của bạn. Hướng dẫn này là nguồn tài liệu đầy đủ 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 với Ultralytics YOLO?#

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

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

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

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

• Automated Settings: Các mô hình ghi nhớ cấu hình huấn luyện của chúng để xác thực dễ dàng.
• Multi-Metric Support: Đánh giá mô hình của bạn dựa trên hàng loạt các chỉ số độ chính xác.
• CLI and Python API: Chọn giữa giao diện dòng lệnh hoặc Python API dựa trên sở thích của bạn cho việc xác thực.
• Data Compatibility: 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.

Link to this sectionVí dụ sử dụng#

Xác thực accuracy của mô hình YOLO26n đã huấn luyện trên bộ dữ liệu COCO8. Không cần đối số nào vì model lưu giữ data huấn luyện và các đối số dưới dạng thuộc tính của mô hình. Xem phần Đối số bên dưới để biết danh sách đầy đủ các đối 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 đối số cho 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 theo lô (batch) và các ngưỡng hiệu suất. Dưới đây là phân tích chi tiết từng đối số để giúp bạn tùy chỉnh cài đặt xác thực 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 tùy biến và hiệu quả. 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 xác thực với các đối số#

Các ví dụ dưới đây minh họa việc xác thực mô hình YOLO với các đối 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 về lớp DataExportMixin.

Link to this sectionCâu hỏi thường gặp (FAQ)#

Link to this sectionLàm thế nào để kiểm thử mô hình YOLO26 của tôi với Ultralytics?#

Để kiểm thử mô hình YOLO26, bạn có thể sử dụng chế độ Val do Ultralytics cung cấp. Ví dụ, khi sử dụng Python API, bạn có thể tải mô hình và chạy kiểm thử 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 đối số khác nhau như imgsz, batch và conf trong cả chế độ Python và CLI. Kiểm tra phần Đối số cho Kiểm thử Mô hình YOLO để biết danh sách đầy đủ các tham số.

Link to this sectionTôi có thể nhận được những chỉ số nào từ việc kiểm thử mô hình YOLO26?#

Kiểm thử mô hình YOLO26 cung cấp một số chỉ số chính để đánh giá hiệu suất của mô hình. Các chỉ số này bao gồm:

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

Sử dụng Python API, bạn có thể truy cập các chỉ số 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 chỉ số này là rất quan trọng. Để biết thêm chi tiết, hãy tham khảo phần Các Tính năng Chính của Chế độ Val.

Link to this sectionƯu điểm của việc sử dụng Ultralytics YOLO để kiểm thử là gì?#

Sử dụng Ultralytics YOLO để kiểm thử mang lại một số ưu điểm:

• Precision: YOLO26 cung cấp các chỉ số hiệu suất chính xác bao gồm mAP50, mAP75 và mAP50-95.
• Tiện lợi: Các mô hình ghi nhớ cài đặt huấn luyện của chúng, giúp việc kiểm thử trở nên đơn giản.
• Linh hoạt: Bạn có thể kiểm thử trên cùng một tập dữ liệu hoặc các tập dữ liệu và kích thước ảnh khác nhau.
• Tinh chỉnh Siêu tham số: Các chỉ số kiểm thử 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 những ưu điểm này trong phần Tại sao nên Kiểm thử với Ultralytics YOLO.

Link to this sectionTôi có thể kiểm thử mô hình YOLO26 của mình bằng một tập dữ liệu tùy chỉnh không?#

Có, bạn có thể kiểm thử mô hình YOLO26 bằng một tập dữ liệu tùy chỉnh. Hãy chỉ định đối số data với đường dẫn đến tệp cấu hình tập dữ liệu của bạn. Tệp này phải bao gồm đường dẫn đến dữ liệu kiểm thử.

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 tùy chỉnh trong quá trình kiểm thử, hãy xem phần Ví dụ Kiểm thử với Đối số.

Link to this sectionLàm thế nào để lưu kết quả kiểm thử vào tệp JSON trong YOLO26?#

Để lưu kết quả kiểm thử vào tệp JSON, bạn có thể đặt đối số save_json thành True khi chạy kiểm thử. Việc này có thể thực hiện được trong 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

Chức năng này đặc biệt hữu ích để phân tích thêm hoặc tích hợp với các công cụ khác. Kiểm tra phần Đối số cho Kiểm thử Mô hình YOLO để biết thêm chi tiết.