Validação de Modelos com Ultralytics YOLO

Introdução

A validação é uma etapa crítica no pipeline de aprendizado de máquina, permitindo que você avalie a qualidade de seus modelos treinados. O modo Val no Ultralytics YOLO11 fornece um conjunto robusto de ferramentas e métricas para avaliar o desempenho de seus modelos de detecção de objetos. Este guia serve como um recurso completo para entender como usar efetivamente o modo Val para garantir que seus modelos sejam precisos e confiáveis.

Assista: Tutorial de Modos Ultralytics: Validação

Porquê Validar com Ultralytics YOLO?

Aqui está o porquê usar o modo Val do YOLO11 é vantajoso:

• Precisão: Obtenha métricas precisas como mAP50, mAP75 e mAP50-95 para avaliar de forma abrangente seu modelo.
• Conveniência: Utilize recursos integrados que lembram as configurações de treinamento, simplificando o processo de validação.
• Flexibilidade: Valide seu modelo com os mesmos ou diferentes conjuntos de dados e tamanhos de imagem.
• Ajuste de Hiperparâmetros: Use métricas de validação para ajustar seu modelo para um melhor desempenho.

Funcionalidades Chave do Modo Val

Estas são as funcionalidades notáveis oferecidas pelo modo Val do YOLO11:

• Configurações Automatizadas: Os modelos lembram suas configurações de treinamento para uma validação direta.
• Suporte Multi-Métrico: Avalie seu modelo com base em uma variedade de métricas de precisão.
• CLI e API Python: Escolha entre a interface de linha de comando ou a API Python com base em sua preferência para validação.
• Compatibilidade de Dados: Funciona perfeitamente com conjuntos de dados usados durante a fase de treinamento, bem como conjuntos de dados personalizados.

Exemplos de uso

Validar o modelo YOLO11n treinado precisão no conjunto de dados COCO8. Não são necessários argumentos, pois o model mantém seu treinamento data e argumentos como atributos do modelo. Consulte a seção Argumentos abaixo para obter uma lista completa de argumentos de validação.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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 contains map50-95 of each category

yolo detect val model=yolo11n.pt      # val official model
yolo detect val model=path/to/best.pt # val custom model

Argumentos para Validação do Modelo YOLO

Ao validar modelos YOLO, vários argumentos podem ser ajustados para otimizar o processo de avaliação. Esses argumentos controlam aspectos como tamanho da imagem de entrada, processamento em lote e limites de desempenho. Abaixo está uma análise detalhada de cada argumento para ajudá-lo a personalizar suas configurações de validação de forma eficaz.

Cada uma dessas configurações desempenha um papel vital no processo de validação, permitindo uma avaliação personalizável e eficiente dos modelos YOLO. Ajustar esses parâmetros de acordo com suas necessidades e recursos específicos pode ajudar a alcançar o melhor equilíbrio entre precisão e desempenho.

Exemplo de Validação com Argumentos

Assista: Como Exportar Resultados da Validação do Modelo em CSV, JSON, SQL, Pandas DataFrame e Mais

Os exemplos abaixo mostram a validação do modelo YOLO com argumentos personalizados em Python e CLI.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Customize validation settings
metrics = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.6, device="0")

yolo val model=yolo11n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

results = model.val(data="coco8.yaml", plots=True)
print(results.confusion_matrix.to_df())

Para mais detalhes, consulte a DataExportMixin documentação da classe.

FAQ

Como valido o meu modelo YOLO11 com Ultralytics?

Para validar seu modelo YOLO11, você pode usar o modo Val fornecido pela Ultralytics. Por exemplo, usando a API Python, você pode carregar um modelo e executar a validação com:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

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

Alternativamente, você pode usar a interface de linha de comando (CLI):

yolo val model=yolo11n.pt

Para maior personalização, você pode ajustar vários argumentos como imgsz, batch, e conf nos modos Python e CLI. Verifique a seção Argumentos para Validação do Modelo YOLO para a lista completa de parâmetros.

Que métricas posso obter da validação do modelo YOLO11?

A validação do modelo YOLO11 fornece várias métricas-chave para avaliar o desempenho do modelo. Estes incluem:

• mAP50 (Precisão Média Média no limite de IoU 0,5)
• mAP75 (Precisão Média Média no limite de IoU 0,75)
• mAP50-95 (precisão média média em vários limiares de IoU de 0,5 a 0,95)

Usando a API Python, você pode acessar essas métricas da seguinte forma:

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

Para uma avaliação de desempenho completa, é crucial revisar todas essas métricas. Para mais detalhes, consulte os Principais Recursos do Modo Val.

Quais são as vantagens de usar o Ultralytics YOLO para validação?

Usar o Ultralytics YOLO para validação oferece diversas vantagens:

• Precisão: YOLO11 oferece métricas de desempenho precisas, incluindo mAP50, mAP75 e mAP50-95.
• Conveniência: Os modelos lembram suas configurações de treinamento, tornando a validação direta.
• Flexibilidade: Você pode validar em relação aos mesmos ou diferentes conjuntos de dados e tamanhos de imagem.
• Ajuste de Hiperparâmetros: As métricas de validação ajudam no ajuste fino de modelos para melhor desempenho.

Esses benefícios garantem que seus modelos sejam avaliados minuciosamente e possam ser otimizados para resultados superiores. Saiba mais sobre essas vantagens na seção Por que validar com Ultralytics YOLO.

Posso validar o meu modelo YOLO11 usando um conjunto de dados personalizado?

Sim, você pode validar seu modelo YOLO11 usando um conjunto de dados personalizado. Especifique o data argumento com o caminho para o seu arquivo de configuração do conjunto de dados. Este arquivo deve incluir caminhos para o dados de validação, nomes de classe e outros detalhes relevantes.

Exemplo em Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Validate with a custom dataset
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

Exemplo usando CLI:

yolo val model=yolo11n.pt data=path/to/your/custom_dataset.yaml

Para opções mais personalizáveis durante a validação, consulte a seção Validação de Exemplo com Argumentos.

Como guardo os resultados da validação num ficheiro JSON no YOLO11?

Para salvar os resultados da validação em um arquivo JSON, você pode definir o save_json para True ao executar a validação. Isso pode ser feito tanto na API Python quanto na CLI.

Exemplo em Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

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

Exemplo usando CLI:

yolo val model=yolo11n.pt save_json=True

Essa funcionalidade é particularmente útil para análise posterior ou integração com outras ferramentas. Consulte os Argumentos para Validação do Modelo YOLO para obter mais detalhes.

📅 Criado há 1 ano ✏️ Atualizado há 10 dias

Comentários