使用 Ultralytics YOLO 验证模型#

简介#

验证是机器学习流程中的关键步骤，可用于评估训练模型的质量。Ultralytics YOLO26 的 Val 模式提供了一套完善的工具和指标，用于评估目标检测模型的性能。本指南全面介绍如何有效使用 Val 模式，确保模型准确可靠。

查看尚未发布的 YOLO27 预览版，了解初步验证结果。

为什么使用 Ultralytics YOLO 进行验证？#

以下是使用 YOLO26 Val 模式的优势：

• 精确性： 获取 mAP50、mAP75 和 mAP50-95 等准确指标，全面评估模型。
• 便捷性： 利用内置功能记住训练设置，简化验证流程。
• 灵活性： 使用相同或不同的数据集和图像尺寸验证模型。
• 超参数调优： 使用验证指标微调模型，以获得更佳性能。

Val 模式的主要功能#

以下是 YOLO26 Val 模式提供的显著功能：

• 自动设置： 模型会记住训练配置，让验证变得简单直接。
• 多指标支持： 根据多种准确率指标评估模型。
• CLI 和 Python API： 你可以根据验证需求和偏好，选择命令行界面或 Python API。
• 数据兼容性： 可无缝使用训练阶段所用的数据集以及自定义数据集。

使用示例#

验证经过训练的 YOLO26n 模型准确率。无需传入任何参数，因为 model 会将训练时的 data 和参数保留为模型属性：path/to/best.pt 会在模型训练所用的数据集上进行验证。官方权重记录的训练数据集路径在你的计算机上不存在，因此会发出警告并回退到任务默认的 coco8.yaml。传入 data 可在其他数据集上进行验证。验证参数的完整列表请参阅下方的“参数”部分。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 验证模型
metrics = model.val()  # 无需参数，数据集和设置会自动记住
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # 包含每个类别 mAP50-95 的列表
metrics.box.image_metrics  # 包含精确率、召回率、F1、TP、FP 和 FN 的逐图像指标字典

YOLO 模型验证参数#

验证 YOLO 模型时，你可以微调多个参数来优化评估流程。这些参数控制输入图像尺寸、批处理和性能阈值等方面。下面详细介绍各个参数，帮助你有效自定义验证设置。

这些设置在验证过程中都发挥着重要作用，可让 YOLO 模型评估既灵活又高效。根据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。

使用参数进行验证的示例#

以下示例展示了如何在 Python 和 CLI 中使用自定义参数验证 YOLO 模型。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")

# 自定义验证设置
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

# 加载模型
model = YOLO("yolo26n.pt")

# 验证并访问逐图像指标
results = model.val(data="coco8.yaml")

# image_metrics 是一个字典，以图像文件名作为键
print(results.box.image_metrics)
# 输出：{'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# 访问特定图像的指标
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

返回的指标对象还提供了用于后续分析的导出辅助方法：

如需了解更多详情，请参阅DataExportMixin 类文档。

接下来做什么#

对指标结果满意吗？导出模型，以转换为部署格式。如果准确率不理想，可以返回并重新训练，调整超参数或增加训练数据。

常见问题#