ultralytics/docs/pt/modes/val.md

comments	description	keywords
true	Guia para Validação de Modelos YOLOv8. Aprenda como avaliar o desempenho dos seus modelos YOLO utilizando configurações e métricas de validação com exemplos em Python e CLI.	Ultralytics, Documentação YOLO, YOLOv8, validação, avaliação de modelo, hiperparâmetros, precisão, métricas, Python, CLI

Validação de Modelos com Ultralytics YOLO

Introdução

A validação é um passo crítico no pipeline de aprendizado de máquina, permitindo que você avalie a qualidade dos seus modelos treinados. O modo Val no Ultralytics YOLOv8 fornece um robusto conjunto de ferramentas e métricas para avaliar o desempenho dos 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.

Por Que Validar com o Ultralytics YOLO?

Aqui estão as vantagens de usar o modo Val no YOLOv8:

• Precisão: Obtenha métricas precisas como mAP50, mAP75 e mAP50-95 para avaliar seu modelo de forma abrangente.
• 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: Utilize as métricas de validação para refinar seu modelo e obter um desempenho melhor.

Principais Recursos do Modo Val

Estas são as funcionalidades notáveis oferecidas pelo modo Val do YOLOv8:

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

!!! tip "Dica"

* Os modelos YOLOv8 lembram automaticamente suas configurações de treinamento, então você pode validar um modelo no mesmo tamanho de imagem e no conjunto de dados original facilmente com apenas `yolo val model=yolov8n.pt` ou `model('yolov8n.pt').val()`

Exemplos de Uso

Validar a precisão do modelo YOLOv8n treinado no conjunto de dados COCO128. Nenhum argumento precisa ser passado, pois o model retém os dados de treinamento e argumentos como atributos do modelo. Veja a seção de Argumentos abaixo para uma lista completa dos argumentos de exportação.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Carregar um modelo
    model = YOLO('yolov8n.pt')  # carregar um modelo oficial
    model = YOLO('path/to/best.pt')  # carregar um modelo personalizado

    # Validar o modelo
    metrics = model.val()  # nenhum argumento necessário, conjunto de dados e configurações lembrados
    metrics.box.map    # map50-95
    metrics.box.map50  # map50
    metrics.box.map75  # map75
    metrics.box.maps   # uma lista contém map50-95 de cada categoria
    ```
=== "CLI"

    ```bash
    yolo detect val model=yolov8n.pt  # validar modelo oficial
    yolo detect val model=path/to/best.pt  # validar modelo personalizado
    ```

Argumentos

As configurações de validação para os modelos YOLO referem-se aos vários hiperparâmetros e configurações usados para avaliar o desempenho do modelo em um conjunto de dados de validação. Essas configurações podem afetar o desempenho, velocidade e precisão do modelo. Algumas configurações comuns de validação do YOLO incluem o tamanho do lote, a frequência com que a validação é realizada durante o treinamento e as métricas usadas para avaliar o desempenho do modelo. Outros fatores que podem afetar o processo de validação incluem o tamanho e a composição do conjunto de dados de validação e a tarefa específica para a qual o modelo está sendo usado. É importante ajustar e experimentar cuidadosamente essas configurações para garantir que o modelo apresente um bom desempenho no conjunto de dados de validação e para detectar e prevenir o sobreajuste.

Chave	Valor	Descrição
data	None	caminho para o arquivo de dados, ex. coco128.yaml
imgsz	640	tamanho das imagens de entrada como inteiro
batch	16	número de imagens por lote (-1 para AutoBatch)
save_json	False	salvar resultados em arquivo JSON
save_hybrid	False	salvar versão híbrida das etiquetas (etiquetas + previsões adicionais)
conf	0.001	limite de confiança do objeto para detecção
iou	0.6	limiar de interseção sobre união (IoU) para NMS
max_det	300	número máximo de detecções por imagem
half	True	usar precisão meia (FP16)
device	None	dispositivo para execução, ex. dispositivo cuda=0/1/2/3 ou device=cpu
dnn	False	usar OpenCV DNN para inferência ONNX
plots	False	mostrar gráficos durante o treinamento
rect	False	val retangular com cada lote colado para minimizar o preenchimento
split	val	divisão do conjunto de dados para usar na validação, ex. 'val', 'test' ou 'train'