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。本指南是了解如何有效使用 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？#

使用 YOLO26 的 Val 模式具有以下优势：

• 精度： 获取 mAP50、mAP75 和 mAP50-95 等准确指标，以全面评估你的模型。
• 便捷性： 利用内置功能记住训练设置，从而简化验证过程。
• 灵活性： 使用相同或不同的数据集和图像尺寸来验证你的模型。
• 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 模式的主要功能#

以下是 YOLO26 的 Val 模式提供的显著功能：

• 自动化设置： 模型会记住它们的训练配置，以便进行直接的验证。
• 多指标支持： 基于一系列准确率指标评估你的模型。
• CLI 和 Python API： 根据你的喜好选择命令行界面或 Python API 进行验证。
• 数据兼容性： 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 模型准确率。不需要任何参数，因为 model 会将其训练 data 和参数保留为模型属性。请参阅下方的参数部分获取验证参数的完整列表。

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 模型验证参数#

在验证 YOLO 模型时，可以微调多个参数以优化评估过程。这些参数控制输入图像尺寸、批处理和性能阈值等方面。下方是每个参数的详细分解，帮助你有效地自定义验证设置。

每一项设置在验证过程中都起着至关重要的作用，实现了对 YOLO 模型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，有助于在准确性和性能之间取得最佳平衡。

Link to this section带参数的验证示例#

以下示例展示了如何在 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#

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 模式下调整 imgsz、batch 和 conf 等各种参数。查看YOLO 模型验证参数部分以获取参数的完整列表。

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关键指标来评估模型性能。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 的平均精度均值）

使用 Python API，你可以按如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

为了进行全面的性能评估，审查所有这些指标至关重要。更多详细信息，请参阅Val 模式的主要功能。

Link to this section使用 Ultralytics YOLO 进行验证有哪些优势？#

使用 Ultralytics YOLO 进行验证有以下几个优势：

• 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，使验证变得简单直接。
• 灵活性： 你可以针对相同或不同的数据集和图像尺寸进行验证。
• 超参数调优： 验证指标有助于对模型进行微调以获得更好的性能。

这些优势确保你的模型得到全面评估，并能优化以获得卓越结果。在为什么要使用 Ultralytics YOLO 进行验证部分了解更多关于这些优势的信息。

Link to this section我能使用自定义数据集验证我的 YOLO26 模型吗？#

可以，你可以使用自定义数据集验证你的 YOLO26 模型。指定 data 参数并提供数据集配置文件的路径。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，请参阅带参数的验证示例部分。

Link to this section如何将验证结果保存为 YOLO26 中的 JSON 文件？#

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

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集成特别有用。有关更多详细信息，请查看YOLO 模型验证参数。