Evalúa y entrega cada tarea

Un umbral por tarea#

La guía de métricas de rendimiento explica cada puntuación. Las ejecuciones de segmentación y pose también muestran métricas de cajas; consérvalas como diagnóstico —una diferencia entre cajas y máscaras apunta a la calidad del contorno—, pero no son el producto. Las prácticas específicas de detección, como las pruebas con distintos umbrales y la matriz de confusión, también se aplican a Validar y diagnosticar.

Valida todas las tareas en un solo bucle#

El modo Val acepta los pesos de cualquier tarea junto con el conjunto de datos correspondiente, así que un solo bucle genera las cifras de la tabla de publicación:

from ultralytics import YOLO

runs = {
    "yolo26n-seg.pt": ("coco8-seg.yaml", "metrics/mAP50-95(M)"),
    "yolo26n-sem.pt": ("cityscapes8.yaml", "metrics/mIoU"),
    "yolo26n-pose.pt": ("coco8-pose.yaml", "metrics/mAP50-95(P)"),
    "yolo26n-obb.pt": ("dota8.yaml", "metrics/mAP50-95(B)"),
    "yolo26n-depth.pt": ("depth8.yaml", "metrics/delta1"),
}
for weights, (data, key) in runs.items():
    metrics = YOLO(weights).val(data=data, device="cpu", plots=False, verbose=False)
    print(f"{weights:17s} {key:22s} {metrics.results_dict[key]:.3f}")

yolo26n-seg.pt    metrics/mAP50-95(M)    0.538
yolo26n-sem.pt    metrics/mIoU           0.610
yolo26n-pose.pt   metrics/mAP50-95(P)    0.419
yolo26n-obb.pt    metrics/mAP50-95(B)    0.857
yolo26n-depth.pt  metrics/delta1         0.377

Si no especificas imgsz, cada modelo se valida con el tamaño con el que se ha entrenado: 640 para segmentación y pose, 768 para profundidad, y 1024 para segmentación semántica y OBB. Estas cifras de modelos preentrenados son superiores a las de las ejecuciones de entrenamiento a 320 píxeles de antes en el curso, en parte por el entrenamiento y en parte por la resolución. Con cuatro imágenes de validación, todas las cifras de aquí son solo una prueba rápida; por ejemplo, la página de la tarea de profundidad muestra δ1 en el conjunto de referencia NYU completo. La clasificación se omite deliberadamente: valida el clasificador ajustado con sus propias carpetas, como en la lección sobre clasificación.

Exporta todas las tareas#

Cada tarea se exporta a ONNX con la misma llamada al modo Export. La tarea se guarda en los metadatos del modelo, así que YOLO("model.onnx") aplica el posprocesamiento adecuado. La elección del entorno de ejecución, las comprobaciones de paridad y el ajuste de TensorRT u OpenVINO se tratan en Exportar a ONNX (y verificar la paridad); este bucle comprueba que todas las tareas superan el proceso de ida y vuelta:

from ultralytics import YOLO

for weights in ["yolo26n-seg.pt", "yolo26n-sem.pt", "yolo26n-pose.pt", "yolo26n-obb.pt", "yolo26n-cls.pt", "yolo26n-depth.pt"]:
    onnx_path = YOLO(weights).export(format="onnx", imgsz=320)
    onnx_model = YOLO(onnx_path)  # task comes from the ONNX metadata
    result = onnx_model("https://ultralytics.com/images/bus.jpg", imgsz=320, verbose=False)[0]
    print(f"{onnx_model.task:9s} {result.verbose()}")

segment   4 persons, 1 bus,
semantic
pose      3 persons,
obb       (no detections),
classify  minibus 0.38, police_van 0.21, trolleybus 0.05, amphibian 0.05, bullet_train 0.03,
depth     depth 4.67-26.91m,

Todas las exportaciones se volvieron a cargar con la tarea correcta. Hay tres resultados que conviene revisar:

• La pose encontró a 3 personas con 320 píxeles, mientras que la ejecución en PyTorch a 640 píxeles encontró a 5.
• La profundidad calculó distancias de 4,7–26,9 m, mientras que los mismos pesos con su resolución nativa de 768 píxeles calcularon distancias de 2,1–14,9 m.
• OBB no encontró nada en una foto de una calle: es el comportamiento correcto para un modelo aéreo, no un error de exportación.

PyTorch con imgsz=320 da las mismas cifras de pose y profundidad que ONNX, así que tampoco se trata de un error de exportación en ninguno de los dos: el tamaño de entrada cambió el resultado. Exporta con el imgsz que has validado. Los resultados semánticos no tienen una línea de resumen por objeto, así que comprueba result.semantic_mask.

Si escribes tu propio posprocesamiento, estas son las salidas brutas de ONNX con imgsz=320, extraídas del registro de exportación:

En Ultralytics Platform, la página del modelo muestra sus propias métricas de tarea (mAP de máscara para un modelo de segmentación) encima de una pestaña de exportación que genera los mismos formatos:

ONNX es el formato de intercambio: un único archivo exportado se ejecuta en ONNX Runtime o se convierte a otros entornos de ejecución.

Lista de comprobación para la entrega#

• La métrica de referencia de la tabla anterior alcanza su objetivo en un conjunto reservado y con el imgsz de implementación.
• El modelo exportado se vuelve a cargar con el task esperado y coincide con las predicciones de PyTorch en un conjunto fijo de imágenes.
• Las rutas de código de cada tarea gestionan los resultados vacíos: masks is None, cero puntos clave y cero OBB.
• Se registran las cifras posteriores (áreas, ángulos, distancias y probabilidades de clase) para poder detectar cambios, tal como se explica en Observabilidad y deriva.

Si no se alcanza el umbral, «volver a los datos» suele significar actuar sobre una de estas tres palancas:

Primero corrige la calidad de los datos y el proceso de anotación —las comprobaciones de etiquetas de las lecciones 2 y 6 son el punto de partida más sencillo— y cambia el modelo solo cuando los datos estén limpios.