Link to this section使用 Ultralytics YOLO 进行模型验证#

Link to this section简介#

验证是机器学习流程中的关键步骤，让你能够评估训练模型的质量。Ultralytics YOLO26 中的 Val 模式提供了一套强大的工具和指标，用于评估你的目标检测模型性能。本指南是帮助你理解如何有效使用 Val 模式，以确保你的模型既准确又可靠的完整资源。

Link to this section为什么要使用 Ultralytics YOLO 进行验证？#

以下是使用 YOLO26 的 Val 模式的优势：

• 精确度： 获取诸如 mAP50、mAP75 和 mAP50-95 等精确指标，全面评估你的模型。
• 便捷性： 利用内置功能记忆训练设置，简化验证过程。
• 灵活性： 使用相同或不同的数据集和图像大小来验证你的模型。
• 超参数调优： 使用验证指标对模型进行微调，以获得更好的性能。

Link to this sectionVal 模式的关键特性#

以下是 YOLO26 的 Val 模式提供的显著功能：

• 自动设置： 模型会记住其训练配置，以便直接进行验证。
• 多指标支持： 基于一系列准确率指标来评估你的模型。
• CLI 和 Python API： 根据你的偏好，选择命令行界面或 Python API 进行验证。
• 数据兼容性： 可与训练阶段使用的数据集以及自定义数据集无缝协作。

Link to this section使用示例#

在 COCO8 数据集上验证已训练的 YOLO26n 模型的准确率。无需参数，因为 model 会将训练时的 data 和参数保留为模型属性。请参阅下方的“参数”部分以获取完整的验证参数列表。

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 sectionYOLO 模型验证的参数#

在验证 YOLO 模型时，可以通过微调多个参数来优化评估过程。这些参数控制着输入图像大小、批处理和性能阈值等方面。以下是每个参数的详细说明，以帮助你有效地自定义验证设置。

这些设置中的每一项都在验证过程中发挥着至关重要的作用，允许对 YOLO 模型进行可定制且高效的评估。根据你的具体需求和资源调整这些参数，有助于在准确率和性能之间取得最佳平衡。

Link to this section带参数的验证示例#

以下示例展示了在 Python 和 CLI 中使用自定义参数进行 YOLO 模型验证。

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}

更多详细信息请参阅 DataExportMixin 类文档。

Link to this section常见问题解答 (FAQ)#

Link to this section如何使用 Ultralytics 验证我的 YOLO26 模型？#

要验证你的 YOLO26 模型，可以使用 Ultralytics 提供的 Val 模式。例如，使用 Python API，你可以加载模型并运行验证：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # map50-95

或者，你也可以使用命令行界面 (CLI)：

yolo val model=yolo26n.pt

如需进一步自定义，你可以在 Python 和 CLI 模式中调整各种参数，如 imgsz、batch 和 conf。查看 YOLO 模型验证参数 部分获取完整参数列表。

Link to this section我能从 YOLO26 模型验证中获得哪些指标？#

YOLO26 模型验证提供了几个用于评估模型性能的关键指标。其中包括：

• mAP50（IoU 阈值为 0.5 时的平均精度均值）
• mAP75（IoU 阈值为 0.75 时的平均精度均值）
• mAP50-95（IoU 阈值从 0.5 到 0.95 范围内的平均精度均值）

使用 Python API，你可以通过以下方式访问这些指标：

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

为了进行完整的性能评估，查阅所有这些指标至关重要。更多详细信息，请参考 Val 模式的关键功能。

Link to this section使用 Ultralytics YOLO 进行验证有什么优势？#

使用 Ultralytics YOLO 进行验证具有以下几个优势：

• 精度： YOLO26 提供准确的性能指标，包括 mAP50、mAP75 和 mAP50-95。
• 便捷性： 模型会记住其训练设置，使验证过程变得简单直接。
• 灵活性： 你可以使用相同或不同的数据集和图像尺寸进行验证。
• 超参数调优： 验证指标有助于微调模型以获得更好的性能。

这些优势确保了你的模型得到全面评估，并能优化以获得卓越的结果。在 为何使用 Ultralytics YOLO 进行验证 部分了解更多相关优势。

Link to this section我可以使用自定义数据集来验证我的 YOLO26 模型吗？#

可以，你可以使用 自定义数据集 验证你的 YOLO26 模型。只需指定 data 参数为你数据集配置文件路径即可。该文件应包含 验证数据 的路径。

Python 示例：

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

CLI 示例：

yolo val model=yolo26n.pt data=path/to/your/custom_dataset.yaml

如需在验证期间使用更多可自定义的选项，请参阅 验证示例及参数 部分。

Link to this section如何将 YOLO26 的验证结果保存到 JSON 文件中？#

要将验证结果保存到 JSON 文件，你可以在运行验证时将 save_json 参数设置为 True。这可以通过 Python API 和 CLI 实现。

Python 示例：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Save validation results to JSON
metrics = model.val(save_json=True)

CLI 示例：

yolo val model=yolo26n.pt save_json=True

此功能对于后续分析或与其他工具的集成特别有用。查看 YOLO 模型验证参数 了解更多详细信息。