Skip to content

使用Ultralytics YOLO进行模型验证

Ultralytics YOLO生态系统和集成

简介

验证是机器学习流程中的关键步骤,它允许您评估训练模型的质量。Ultralytics YOLO11中的Val模式提供了一套强大的工具和指标,用于评估目标检测模型的性能。本指南作为一个完整的资源,帮助您了解如何有效地使用Val模式,以确保您的模型既准确又可靠。



观看: Ultralytics模式教程:验证

为什么使用Ultralytics YOLO进行验证?

以下是使用YOLO11的Val模式的优势:

  • 精确度: 获得准确的指标,如mAP50、mAP75和mAP50-95,以全面评估您的模型。
  • 便利性: 利用内置功能记住训练设置,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验证您的模型。
  • 超参数调整: 使用验证指标微调您的模型以获得更好的性能。

Val模式的主要特点

以下是YOLO11的Val模式提供的显著功能:

  • 自动设置: 模型记住其训练配置,便于直接验证。
  • 多指标支持: 基于一系列准确性指标评估您的模型。
  • CLI和Python API: 根据您的偏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配合。

Tip

  • YOLO11模型会自动记住其训练设置,因此您可以轻松地以相同的图像大小和原始数据集验证模型,只需使用yolo val model=yolo11n.pt或model('yolo11n.pt').val()

使用示例

在COCO8数据集上验证训练好的YOLO11n模型的准确性。不需要任何参数,因为model将其训练data和参数保留为模型属性。有关验证参数的完整列表,请参见下面的参数部分。

Example

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.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()  # 不需要参数,数据集和设置已记住
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

yolo detect val model=yolo11n.pt      # 验证官方模型
yolo detect val model=path/to/best.pt # 验证自定义模型

YOLO模型验证的参数

在验证YOLO模型时,可以微调几个参数以优化评估过程。这些参数控制输入图像大小、批处理和性能阈值等方面。以下是每个参数的详细分解,以帮助您有效地自定义验证设置。

Argument Type Default Description
data str None Specifies the path to the dataset configuration file (e.g., coco8.yaml). This file includes paths to validation data, class names, and number of classes.
imgsz int 640 Defines the size of input images. All images are resized to this dimension before processing. Larger sizes may improve accuracy for small objects but increase computation time.
batch int 16 Sets the number of images per batch. Higher values utilize GPU memory more efficiently but require more VRAM. Adjust based on available hardware resources.
save_json bool False If True, saves the results to a JSON file for further analysis, integration with other tools, or submission to evaluation servers like COCO.
conf float 0.001 Sets the minimum confidence threshold for detections. Lower values increase recall but may introduce more false positives. Used during validation to compute precision-recall curves.
iou float 0.6 Sets the Intersection Over Union threshold for Non-Maximum Suppression. Controls duplicate detection elimination.
max_det int 300 Limits the maximum number of detections per image. Useful in dense scenes to prevent excessive detections and manage computational resources.
half bool True Enables half-precision (FP16) computation, reducing memory usage and potentially increasing speed with minimal impact on accuracy.
device str None Specifies the device for validation (cpu, cuda:0, etc.). When None, automatically selects the best available device. Multiple CUDA devices can be specified with comma separation.
dnn bool False If True, uses the OpenCV DNN module for ONNX model inference, offering an alternative to PyTorch inference methods.
plots bool False When set to True, generates and saves plots of predictions versus ground truth, confusion matrices, and PR curves for visual evaluation of model performance.
rect bool True If True, uses rectangular inference for batching, reducing padding and potentially increasing speed and efficiency by processing images in their original aspect ratio.
split str 'val' Determines the dataset split to use for validation (val, test, or train). Allows flexibility in choosing the data segment for performance evaluation.
project str None Name of the project directory where validation outputs are saved. Helps organize results from different experiments or models.
name str None Name of the validation run. Used for creating a subdirectory within the project folder, where validation logs and outputs are stored.
verbose bool False If True, displays detailed information during the validation process, including per-class metrics, batch progress, and additional debugging information.
save_txt bool False If True, saves detection results in text files, with one file per image, useful for further analysis, custom post-processing, or integration with other systems.
save_conf bool False If True, includes confidence values in the saved text files when save_txt is enabled, providing more detailed output for analysis and filtering.
save_crop bool False If True, saves cropped images of detected objects, which can be useful for creating focused datasets, visual verification, or further analysis of individual detections.
workers int 8 Number of worker threads for data loading. Higher values can speed up data preprocessing but may increase CPU usage. Setting to 0 uses main thread, which can be more stable in some environments.
augment bool False Enables test-time augmentation (TTA) during validation, potentially improving detection accuracy at the cost of inference speed by running inference on transformed versions of the input.
agnostic_nms bool False Enables class-agnostic Non-Maximum Suppression, which merges overlapping boxes regardless of their predicted class. Useful for instance-focused applications.
single_cls bool False Treats all classes as a single class during validation. Useful for evaluating model performance on binary detection tasks or when class distinctions aren't important.

这些设置中的每一个都在验证过程中发挥着重要作用,允许对YOLO模型进行可定制和高效的评估。根据您的具体需求和资源调整这些参数可以帮助在准确性和性能之间取得最佳平衡。

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。

Example

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")

# 自定义验证设置
validation_results = 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

常见问题

如何使用Ultralytics验证我的YOLO11模型?

要验证您的YOLO11模型,您可以使用Ultralytics提供的Val模式。例如,使用Python API,您可以加载模型并运行验证:

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")

# 验证模型
metrics = model.val()
print(metrics.box.map)  # map50-95

或者,您可以使用命令行界面(CLI):

yolo val model=yolo11n.pt

要进一步自定义,您可以在Python和CLI模式下调整各种参数,如imgsz、batch和conf。查看YOLO模型验证的参数部分以获取完整的参数列表。

从YOLO11模型验证中可以获得哪些指标?

YOLO11模型验证提供了几个关键指标来评估模型性能。这些包括:

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

使用Python API,您可以按如下方式访问这些指标:

metrics = model.val()  # 假设已加载`model`
print(metrics.box.map)  # mAP50-95
print(metrics.box.map50)  # mAP50
print(metrics.box.map75)  # mAP75
print(metrics.box.maps)  # 每个类别的mAP50-95列表

为了全面评估性能,审查所有这些指标至关重要。有关更多详细信息,请参阅Val模式的主要特点。

使用Ultralytics YOLO进行验证有哪些优势?

使用Ultralytics YOLO进行验证提供了几个优势:

  • 精确度: YOLO11提供准确的性能指标,包括mAP50、mAP75和mAP50-95。
  • 便利性: 模型记住其训练设置,使验证变得简单直接。
  • 灵活性: 您可以针对相同或不同的数据集和图像大小进行验证。
  • 超参数调整: 验证指标有助于微调模型以获得更好的性能。

这些优势确保您的模型得到彻底评估,并可以优化以获得更好的结果。在为什么使用Ultralytics YOLO进行验证部分了解更多关于这些优势的信息。

我可以使用自定义数据集验证我的YOLO11模型吗?

是的,您可以使用自定义数据集验证您的YOLO11模型。指定data参数为您的数据集配置文件的路径。该文件应包括验证数据的路径、类名和其他相关详细信息。

Python示例:

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")

# 使用自定义数据集验证
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

使用CLI的示例:

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

有关验证期间更多可自定义选项,请参见带参数的验证示例部分。

如何在YOLO11中将验证结果保存到JSON文件?

要将验证结果保存到JSON文件,您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

# 加载模型
model = YOLO("yolo11n.pt")

# 将验证结果保存到JSON
metrics = model.val(save_json=True)

使用CLI的示例:

yolo val model=yolo11n.pt save_json=True

这个功能对于进一步分析或与其他工具集成特别有用。查看YOLO模型验证的参数以获取更多详细信息。

📅 Created 1 year ago ✏️ Updated 0 days ago
1308357113@qq.com glenn-jocher RizwanMunawar UltralyticsAssistant jk4e MatthewNoyce Burhan-Q

Comments