Xác thực mô hình với Ultralytics YOLO

Giới 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 số liệu mạnh mẽ để đánh giá hiệu suất của các mô hình object detection của bạn. Hướng dẫn này là nguồn tài liệu đầy đủ giúp bạn hiểu cách sử dụng hiệu quả chế độ Val để đảm bảo các mô hình của bạn chính xác và đáng tin cậy.

Tại sao nên xác thực với Ultralytics YOLO?

Dưới đây là lý do tại sao 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.
• Tiện lợi: Tận dụng các tính năng tích hợp sẵn ghi nhớ cấu hình huấn luyện, giúp đơn giản hóa quy trình xác thực.
• Linh hoạt: Xác thực mô hình của bạn với cùng hoặc khác bộ dữ liệu và kích thước ảnh.
• Điều chỉnh siêu tham số: Sử dụng số liệu xác thực để tinh chỉnh mô hình 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 YOLO26:

• Cài đặt tự động: Các mô hình ghi nhớ cấu hình huấn luyện của chúng để việc xác thực diễn ra đơn giản.
• Hỗ trợ đa số liệu: Đánh giá mô hình của bạn dựa trên hàng loạt số liệu độ chính xác.
• CLI và Python API: Chọn giữa giao diện dòng lệnh hoặc Python API tùy theo sở thích xác thực của bạn.
• 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

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

Các đối số cho việc 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 ngưỡng hiệu suất. Dưới đây là phân tích chi tiết từng đối số để giúp bạn tùy chỉnh cài đặt xác thực một cách hiệu quả.

Mỗi cài đặt này đóng 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.

Ví dụ về 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 lớp DataExportMixin.

Câu hỏi thường gặp (FAQ)

Làm thế nào để xác thực mô hình YOLO26 của tôi với Ultralytics?

Để xác thực 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 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 nhiều đối số khác nhau như imgsz, batch, và conf ở cả chế độ Python và CLI. Kiểm tra phần Các đối số cho việc xác thực mô hình YOLO để xem danh sách tham số đầy đủ.

Tôi có thể nhận được những số liệu nào từ việc xác thực mô hình YOLO26?

Việc 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 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
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 số liệu này là rất quan trọng. Để biết thêm chi tiết, hãy tham khảo Các tính năng chính của chế độ Val.

Ưu điểm của việc sử dụng Ultralytics YOLO để xác thực là gì?

Sử dụng Ultralytics YOLO để xác thực mang lại nhiều ưu điểm:

• Precision: YOLO26 cung cấp các số liệu hiệu suất chính xác bao gồm mAP50, mAP75 và mAP50-95.
• Tiện lợi: Các mô hình ghi nhớ cấu hình huấn luyện, giúp việc xác thực trở nên đơn giản.
• Linh hoạt: Bạn có thể xác thực với cùng hoặc khác bộ dữ liệu và kích thước ảnh.
• Điều chỉnh siêu tham số: Số liệu xác thực giúp tinh chỉnh 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 đạt kết quả vượt trội. Tìm hiểu thêm về những ưu điểm này trong phần Tại sao nên xác thực với Ultralytics YOLO.

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

Có, bạn có thể xác thực mô hình YOLO26 của mình bằng bộ dữ liệu tùy chỉnh. Hãy chỉ định đối số data với đường dẫn đến tệp cấu hình bộ dữ liệu của bạn. Tệp này nên bao gồm đường dẫn đến dữ liệu xác thực.

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 xác thực, hãy xem phần Ví dụ về xác thực với các đối số.

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

Để lưu kết quả xác thực vào tệp JSON, bạn có thể đặt đối số save_json thành True khi chạy xác thực. 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 cho việc phân tích sâu hơn hoặc tích hợp với các công cụ khác. Kiểm tra phần Các đối số cho việc xác thực mô hình YOLO để biết thêm chi tiết.