--- comments: true description: 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. keywords: Ultralytics, Documentação YOLO, YOLOv8, validação, avaliação de modelo, hiperparâmetros, precisão, métricas, Python, CLI --- # Validação de Modelos com Ultralytics YOLO Ecossistema e integrações do 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 "Exemplo" === "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' | |