ultralytics 验证模式

验证模式：用于验证模型性能的训练后检查点。

验证是机器学习流水线中的关键步骤，它允许你评估训练模型的质量。Ultralytics YOLO11的验证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的性能。

import set_env

验证在 COCO8 数据集上训练的 YOLOv11n 模型的准确性。由于模型保留了其训练数据和参数作为模型属性，因此不需要额外的参数。

from ultralytics import YOLO
model = YOLO("path/to/best.pt")  # load a custom model
# 验证模型
metrics = model.val()  # 无需额外参数，数据集及设置已被记忆。

直接使用官方模型：

from ultralytics import YOLO
model = YOLO("yolo11n.pt")  # 加载官方模型
metrics = model.val(data="coco8.yaml")
print(metrics.box.map)  # map50-95
print(metrics.box.map50)  # map50 （IoU 阈值为 0.5 时的平均精度平均值）
print(metrics.box.map75)  # map75 （在 IoU 临界值为 0.75 时的平均平均精度）
metrics.box.maps  # mAP50-95（从 0.5 到 0.95 的多个 IoU 阈值的平均精度平均值）

Ultralytics 8.3.28 🚀 Python-3.12.2 torch-2.5.0 CUDA:0 (NVIDIA GeForce RTX 3090, 24250MiB)
YOLO11n summary (fused): 238 layers, 2,616,248 parameters, 0 gradients, 6.5 GFLOPs
all          4         17       0.57       0.85      0.847      0.632
                person          3         10      0.557        0.6      0.585      0.272
                   dog          1          1      0.548          1      0.995      0.697
                 horse          1          2       0.53          1      0.995      0.674
              elephant          1          2       0.37        0.5      0.516      0.257
              umbrella          1          1      0.568          1      0.995      0.995
          potted plant          1          1      0.844          1      0.995      0.895
Speed: 0.3ms preprocess, 8.8ms inference, 0.0ms loss, 2.0ms postprocess per image
Results saved to runs/detect/val5
0.6316492891584533
0.8469102486563518
0.6918055555555555

val: Scanning /media/pc/data/lxw/datasets/coco8/labels/val.cache... 4 images, 0 backgrounds, 0 corrupt: 100%|██████████| 4/4 [00:00<?, ?it/s]
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 1/1 [00:00<00:00,  8.80it/s]

array([    0.27239,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,      0.6965,     0.67398,     0.63165,     0.63165,     0.25652,     0.63165,     0.63165,     0.63165,
           0.63165,       0.995,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,
           0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,      0.8955,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,
           0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165,     0.63165])

YOLO 模型验证的参数

在验证YOLO模型时，可以对多个参数进行微调以优化评估过程。这些参数控制诸如输入图像大小、批处理和性能阈值等方面。下面详细分析每个参数，帮助您有效地自定义验证设置。

以下是翻译后的中文版本：

参数	类型	默认值	描述
data	str	None	指定数据集配置文件的路径（例如，coco8.yaml）。该文件包含验证数据的路径、类别名称和类别数量。
imgsz	int	640	定义输入图像的大小。所有图像在处理前都会调整到这个尺寸。
batch	int	16	设置每批图像的数量。使用 -1 表示自动批处理，根据GPU内存可用性自动调整。
save_json	bool	False	如果为 True，将结果保存为JSON文件以供进一步分析或与其他工具集成。
save_hybrid	bool	False	如果为 True，保存一个混合版本的标签，该标签结合了原始注释和额外的模型预测。
conf	float	0.001	设置检测的最小置信度阈值。低于此阈值的检测将被丢弃。
iou	float	0.6	设置非极大值抑制（NMS）的交并比（IoU）阈值。有助于减少重复检测。
max_det	int	300	限制每张图像的最大检测数量。在密集场景中非常有用，以防止过度检测。
half	bool	True	启用半精度（FP16）计算，减少内存使用，同时可能通过最小影响准确性来提高速度。
device	str	None	指定用于验证的设备（如 cpu, cuda:0 等）。允许灵活使用CPU或GPU资源。
dnn	bool	False	如果为 True，使用OpenCV DNN模块进行ONNX模型推理，作为PyTorch推理方法的替代方案。
plots	bool	False	如果设置为 True，生成并保存预测与真实值之间的对比图，以便对模型性能进行视觉评估。
rect	bool	True	如果为 True，使用矩形推理进行批处理，减少填充并可能提高速度和效率。
split	str	val	确定用于验证的数据集分割（val, test, 或 train）。允许灵活选择用于性能评估的数据段。
project	str	None	项目目录的名称，验证输出保存在此目录下。
name	str	None	验证运行的名称。用于在项目文件夹内创建一个子目录，其中存储验证日志和输出。

这些设置中的每一个都在验证过程中起着至关重要的作用，可以对YOLO 模型进行可定制的高效评估。根据您的具体需求和资源调整这些参数，有助于实现准确性和性能之间的最佳平衡。

带参数的验证示例

下面的示例展示了YOLO 模型验证自定义参数

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")

# 自定义验证参数
validation_results = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.6, device="0")

Ultralytics 8.3.28 🚀 Python-3.12.2 torch-2.5.0 CUDA:0 (NVIDIA GeForce RTX 3090, 24250MiB)
YOLO11n summary (fused): 238 layers, 2,616,248 parameters, 0 gradients, 6.5 GFLOPs
all          4         17      0.694       0.65      0.698       0.51
                person          3         10      0.667        0.4      0.578      0.347
                   dog          1          1          1          1      0.995      0.697
                 horse          1          2          1          1      0.995       0.71
              elephant          1          2        0.5        0.5      0.622      0.311
              umbrella          1          1          1          1      0.995      0.995
          potted plant          1          1          0          0          0          0
Speed: 0.2ms preprocess, 17.9ms inference, 0.0ms loss, 5.0ms postprocess per image
Results saved to runs/detect/val6

val: Scanning /media/pc/data/lxw/datasets/coco8/labels/val.cache... 4 images, 0 backgrounds, 0 corrupt: 100%|██████████| 4/4 [00:00<?, ?it/s]
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 1/1 [00:00<00:00,  4.57it/s]