mirror of
https://github.com/THU-MIG/yolov10.git
synced 2025-05-25 23:44:22 +08:00
02bf8003a8
Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com> Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>
87 lines
9.1 KiB
Markdown
87 lines
9.1 KiB
Markdown
---
|
||
comments: true
|
||
description: Руководство по проверке моделей YOLOv8. Узнайте, как оценить производительность ваших моделей YOLO, используя параметры проверки и метрики с примерами на Python и CLI.
|
||
keywords: Ultralytics, YOLO Документация, YOLOv8, проверка, оценка модели, гиперпараметры, точность, метрики, Python, CLI
|
||
---
|
||
|
||
# Валидация моделей с Ultralytics YOLO
|
||
|
||
<img width="1024" src="https://github.com/ultralytics/assets/raw/main/yolov8/banner-integrations.png" alt="Ultralytics YOLO экосистема и интеграции">
|
||
|
||
## Введение
|
||
|
||
Валидация является критически важным этапом в процессе машинного обучения, позволяющим оценить качество ваших обученных моделей. Режим Val в Ultralytics YOLOv8 обеспечивает набор инструментов и метрик для оценки производительности ваших моделей по обнаружению объектов. Это руководство служит полным ресурсом для понимания того, как эффективно использовать режим Val, чтобы обеспечить точность и надежность ваших моделей.
|
||
|
||
## Зачем проверять с Ultralytics YOLO?
|
||
|
||
Вот почему использование режима Val YOLOv8 выгодно:
|
||
|
||
- **Точность:** Получите точные метрики, такие как mAP50, mAP75 и mAP50-95, для всесторонней оценки вашей модели.
|
||
- **Удобство:** Используйте встроенные функции, которые запоминают настройки обучения, упрощая процесс валидации.
|
||
- **Гибкость:** Проверяйте вашу модель с использованием тех же или разных наборов данных и размеров изображений.
|
||
- **Настройка гиперпараметров:** Используйте метрики проверки для дополнительной настройки вашей модели для лучшей производительности.
|
||
|
||
### Основные функции режима Val
|
||
|
||
Вот некоторые заметные функции, предлагаемые режимом Val YOLOv8:
|
||
|
||
- **Автоматизированные настройки:** Модели запоминают свои конфигурации обучения для простой валидации.
|
||
- **Поддержка множества метрик:** Оцените вашу модель, основываясь на ряде метрик точности.
|
||
- **CLI и Python API:** Выберите интерфейс командной строки или Python API в зависимости от вашего предпочтения для проверки.
|
||
- **Совместимость данных:** Бесперебойно работает с наборами данных, используемыми во время фазы обучения, а также с пользовательскими наборами данных.
|
||
|
||
!!! Tip "Совет"
|
||
|
||
* Модели YOLOv8 автоматически запоминают свои настройки обучения, так что вы можете легко проверить модель с тем же размером изображения и на оригинальном наборе данных, просто используя `yolo val model=yolov8n.pt` или `model('yolov8n.pt').val()`
|
||
|
||
## Примеры использования
|
||
|
||
Проверьте точность обученной модели YOLOv8n на наборе данных COCO128. Аргументы передавать не требуется, так как `модель` сохраняет `данные` и аргументы в качестве атрибутов модели. См. раздел Аргументы ниже для полного списка аргументов экспорта.
|
||
|
||
!!! Example "Пример"
|
||
|
||
=== "Python"
|
||
|
||
```python
|
||
from ultralytics import YOLO
|
||
|
||
# Загрузка модели
|
||
model = YOLO('yolov8n.pt') # загрузить официальную модель
|
||
model = YOLO('path/to/best.pt') # загрузить пользовательскую модель
|
||
|
||
# Проверка модели
|
||
metrics = model.val() # аргументы не нужны, набор данных и настройки запомнены
|
||
metrics.box.map # map50-95
|
||
metrics.box.map50 # map50
|
||
metrics.box.map75 # map75
|
||
metrics.box.maps # список содержит map50-95 каждой категории
|
||
```
|
||
=== "CLI"
|
||
|
||
```bash
|
||
yolo detect val model=yolov8n.pt # проверить официальную модель
|
||
yolo detect val model=path/to/best.pt # проверить пользовательскую модель
|
||
```
|
||
|
||
## Аргументы
|
||
|
||
Настройки проверки для моделей YOLO относятся к различным гиперпараметрам и конфигурациям, используемым для оценки производительности модели на наборе данных для проверки. Эти настройки могут влиять на производительность, скорость и точность модели. Некоторые общие параметры проверки YOLO включают размер пакета, частоту проведения проверки во время обучения и метрики, используемые для оценки производительности модели. Другие факторы, которые могут влиять на процесс проверки, включают размер и состав набора данных для проверки и конкретную задачу, для которой используется модель. Важно тщательно настроить и провести эксперименты с этими параметрами, чтобы убедиться, что модель хорошо работает на наборе данных для проверки и для обнаружения и предотвращения переобучения.
|
||
|
||
| Ключ | Значение | Описание |
|
||
|---------------|----------|-----------------------------------------------------------------------------------------|
|
||
| `data` | `None` | путь к файлу данных, например, coco128.yaml |
|
||
| `imgsz` | `640` | размер входных изображений как целое число |
|
||
| `batch` | `16` | количество изображений в пакете (-1 для AutoBatch) |
|
||
| `save_json` | `False` | сохранить результаты в файл JSON |
|
||
| `save_hybrid` | `False` | сохранить гибридную версию меток (метки + дополнительные предсказания) |
|
||
| `conf` | `0.001` | порог уверенности объекта для обнаружения |
|
||
| `iou` | `0.6` | порог пересечения по объединению (IoU) для NMS (нечеткое сравнение) |
|
||
| `max_det` | `300` | максимальное количество обнаружений на изображение |
|
||
| `half` | `True` | использовать полупрецизионность (FP16) |
|
||
| `device` | `None` | устройство для выполнения, например, cuda device=0/1/2/3 или device=cpu |
|
||
| `dnn` | `False` | использовать OpenCV DNN для ONNX инференции |
|
||
| `plots` | `False` | показывать графики во время обучения |
|
||
| `rect` | `False` | прямоугольная валидация с коллекцией каждого пакета для минимальной паддинга |
|
||
| `split` | `val` | раздел набора данных для использования в валидации, например, 'val', 'test' или 'train' |
|
||
|
|