开始使用

模型评估与微调见解

训练 YOLO 模型后,下一步是衡量模型的表现,并通过微调弥补差距。评估会使用 mAP 和 IoU 等指标来量化准确率,而微调则通过调整训练参数来强化薄弱环节,使模型达到你的项目目标。本指南将介绍关键评估指标、如何解读这些指标,以及如何根据指标反映的情况采取行动。



观看: 深入了解模型评估与微调 | 提升平均精度均值的技巧

在计算机视觉项目工作流中,评估和微调通常处于后期阶段,此时训练已经开始,你需要确认模型准确、高效,并已做好部署准备。

关键评估指标#

有多种指标可用于衡量模型的性能。这些性能指标提供清晰的数值参考,帮助你有针对性地改进模型,确保模型达到预期目标。

置信度分数#

置信度分数表示模型认为检测到的对象属于特定类别的确定程度。其取值范围为 0 到 1,分数越高表示置信度越高。置信度分数有助于筛选预测结果;只有置信度分数高于指定阈值的检测结果才会被视为有效。

没有看到预测结果?

运行推理时,如果你没有看到任何预测结果,并且已经排查了其他问题,可以尝试降低置信度阈值。有时阈值设置过高,导致模型忽略有效的预测结果。降低阈值可以让模型考虑更多可能性。虽然这样做未必能满足项目的最终目标,但这是了解模型能力并决定如何微调模型的好方法。

交并比#

交并比 (IoU) 是目标检测中的一项指标,用于衡量预测边界框与真实边界框的重叠程度。IoU 的取值范围为 0 到 1,其中 1 表示完全匹配。IoU 至关重要,因为它可以衡量预测边界与对象实际边界的接近程度。

Intersection over Union Overview

平均精度均值#

平均精度均值 (mAP) 用于衡量目标检测模型的整体表现。它会计算每个对象类别的检测精确率,对这些分数取平均值,并给出一个数值,以表示模型识别和分类对象的准确程度。

最常报告的 mAP 指标有两个:

  • mAP50:衡量单个 IoU 阈值 0.5 下的平均精度。该指标用于检查模型能否在较宽松的准确度要求下正确找到目标。它关注目标是否大致位于正确位置,不要求完全准确,并有助于了解模型整体上是否擅长发现目标。
  • mAP50-95:对多个 IoU 阈值下计算的 mAP 值取平均,阈值从 0.5 到 0.95,步长为 0.05。该指标更细致、要求也更严格,能够更全面地反映模型在不同严格程度下寻找目标的准确度,尤其适用于需要精确目标检测的应用。

其他 mAP 指标包括 mAP75(使用更严格的 IoU 阈值 0.75),以及 APS、APM 和 APL,分别评估小型、中型和大型目标的精确率。

Three ways to improve mAP: data quality, model optimization, and annotation process

评估 YOLO26 模型#

你可以使用验证模式评估训练好的 YOLO26 模型。如需深入了解各项指标的计算和解读方式,请参阅 YOLO26 性能指标指南。

处理不同尺寸的图像#

在不同尺寸的图像上评估模型,有助于你了解模型在各种数据集上的表现。验证默认使用矩形批处理(model.val() 中的 rect=True):它会按宽高比分组图像,并将每个批次填充为矩形形状,因此评估矩形图像时不会强制将其变为正方形。

imgsz 参数用于设置验证时使用的图像尺寸。如果不显式设置,YOLO26 会沿用模型设置中保存的值(官方预训练模型为 640,自定义检查点则为训练时使用的尺寸)。使用 rect=True 时,验证图像形状可能与 predict 不同(参见 rect)。请根据数据集的尺寸和可用 GPU 内存调整 imgsz。

查看 YOLO26 指标#

你只需几行 Python 代码,就能查看特定评估指标,详细了解模型的表现。下面的代码片段会加载模型、运行验证并打印最有用的指标。

用法
from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")

# 在你的数据集上运行验证
results = model.val(data="coco8.yaml")

# 整体指标
print("mAP50-95:", results.box.map)  # IoU 0.50:0.95 下的 mAP
print("mAP50:", results.box.map50)  # IoU 0.50 下的 mAP
print("mAP75:", results.box.map75)  # IoU 0.75 下的 mAP
print("Mean precision:", results.box.mp)
print("Mean recall:", results.box.mr)
print("Fitness:", results.box.fitness())  # 用于模型选择的加权分数

# 各类别指标
print("Class indices evaluated:", results.box.ap_class_index)
print("Per-class mAP50-95:", results.box.maps)  # 未出现在验证集中的类别采用整体 mAP 值

# 各图像的精确率、召回率、F1、TP、FP 和 FN
print("Per-image metrics:", results.box.image_metrics)

# 每张图像各阶段的耗时明细(毫秒)
print("Timing breakdown (ms/image):", results.speed)

请注意,fitness() 是一个方法,调用时必须加括号;而 map、map50 和 mp 等指标是属性,可直接访问。

results.box.image_metrics 属性是一个逐图像字典,以相对于公共图像目录的图像路径为键,其中包含每张图像在 IoU 0.5 下的 precision、recall、f1、tp、fp 和 fn。预处理、推理、损失和后处理的耗时会分别记录在 results.speed 字典中。这些信息结合起来,可以帮助你找出模型在哪些图像上表现不佳,并据此进行微调。

微调模型#

微调会基于预训练模型调整其参数,以提升模型在特定任务或数据集上的性能。微调也称为模型再训练,可以让模型更好地理解和预测其在实际应用中会遇到的数据。根据评估结果,你可以使用自己的数据重新训练模型,并调整微调指南中介绍的训练参数。

通过图像切片检测小目标#

图像切片可以提高小目标的检测精度。将大图像划分为较小的片段(例如,将 1280x1280 图像切分为多个 640x640 片段),既能保留原始分辨率,也能让模型从高分辨率片段中学习。在训练、验证和预测期间,使用 tile=True 进行高分辨率切片。训练时会根据每个切片裁剪标注,而验证和预测时会将各切片的结果合并为整图结果。

结论#

评估和微调能让训练好的模型变得可靠且可部署:mAP 和 IoU 等指标可以揭示模型的不足,而有针对性的参数调整则能解决这些问题。先使用验证模式测试模型性能,再根据微调指南中的参数重新训练,并通过尝试新参数、新技术和新数据集持续迭代。如果遇到问题,可以在 Ultralytics GitHub 代码库或 Ultralytics Discord 服务器向社区提问。

常见问题#

  • 评估 YOLO26 模型性能时,重要指标包括置信度分数、交并比(IoU)和平均精度均值(mAP)。置信度分数衡量模型对每个检测到的目标类别的确信程度。IoU 用于评估预测边界框与真实标注框的重叠程度。平均精度均值(mAP)汇总各类别的精确率分数;mAP50 和 mAP50-95 是针对不同 IoU 阈值的两种常见指标。请参阅我们的 YOLO26 性能指标指南,了解这些指标的更多信息。

  • 微调预训练的 YOLO26 模型,就是调整其参数,以提升模型在特定任务或数据集上的性能。首先使用指标评估模型,然后基于预训练权重在自己的数据集上重新训练。评估时,rect=True 等参数有助于有效处理不同尺寸的图像。

  • 要在评估期间处理不同尺寸的图像,可以使用矩形验证(rect=True,model.val() 的默认设置)。矩形验证会按宽高比分组图像,并对每个批次进行填充,而不是强行将所有图像调整为正方形。imgsz 参数用于设置验证时的图像尺寸;如果不覆盖该参数,YOLO26 会沿用模型保存的值(官方预训练模型为 640)。根据你的数据集和 GPU 内存调整 imgsz。更多详情请参阅处理不同尺寸图像一节。

  • 提高 YOLO26 模型的平均精度均值(mAP)可以采取以下几个步骤:

    1. 调整超参数:尝试不同的学习率、批次大小和图像增强方式。
    2. 数据增强:使用 Mosaic 和 MixUp 等技术生成多样化的训练样本。
    3. 图像切片:将较大的图像切分成较小的图像块,以提高小目标的检测精度。

    步骤 1 和 2 涉及的训练参数请参阅微调指南;步骤 3 请参阅图像切片。

  • 运行验证后,你可以使用 Python 访问 YOLO26 模型的评估指标:

    用法
    from ultralytics import YOLO
    
    # 加载模型
    model = YOLO("yolo26n.pt")
    
    # 运行验证
    results = model.val(data="coco8.yaml")
    
    # 访问关键指标
    print("Mean average precision at IoU=0.50:", results.box.map50)
    print("Mean average precision at IoU=0.50:0.95:", results.box.map)
    print("Mean recall:", results.box.mr)
    print("Class indices evaluated:", results.box.ap_class_index)

    分析这些指标有助于你微调和优化 YOLO26 模型。如需深入了解,请参阅我们的 YOLO 性能指标指南。

评论2

提出问题、分享结果,或帮助其他人。

  1. ILIAHHne63GitHub

    Hello, I'm using YoLOv10, how can I load the pretrained backbone, but leave the head unpretrained?

    1. Glenn JocherUltralytics

      @ILIAHHne63 to load a pretrained backbone while leaving the head unpretrained in YOLOv10, you can initialize the model with the pretrained weights and then manually reset the head layers. This allows you to retain the pretrained features of the backbone while training the head from scratch. For detailed steps, refer to the model fine-tuning section in our documentation. If you encounter any issues, ensure you're using the latest version of the package.