Valutare e mettere in produzione ogni attività

Una soglia per ogni attività#

La guida alle metriche di prestazione spiega ogni punteggio. Le esecuzioni di segmentazione e posa riportano anche le metriche dei riquadri: conservale come diagnostica — una differenza tra riquadri e maschere indica un problema nella qualità dei contorni — ma non sono il prodotto. Le analisi specifiche per il rilevamento, come le valutazioni con soglie diverse e la matrice di confusione, si applicano anche a Convalida e diagnosi.

Convalida ogni attività in un unico ciclo#

La modalità Val accetta i pesi di qualsiasi attività insieme al dataset corrispondente, così un unico ciclo produce i valori della tabella di rilascio:

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

Senza specificare imgsz, ogni modello viene convalidato alla risoluzione di addestramento: 640 per segmentazione e posa, 768 per profondità, 1024 per semantica e OBB. Questi valori dei modelli preaddestrati sono superiori a quelli ottenuti con le esecuzioni di addestramento a 320 pixel presentate prima nel corso: in parte grazie all'addestramento, in parte alla risoluzione. Quattro immagini di convalida rendono ogni valore qui una semplice verifica preliminare; per esempio, la pagina dell'attività di profondità riporta δ1 sull'intero benchmark NYU. La classificazione è esclusa di proposito: convalida il classificatore ottimizzato sulle sue cartelle, come nella lezione sulla classificazione.

Esporta ogni attività#

Ogni attività viene esportata in ONNX con la stessa chiamata della modalità Esportazione. L'attività è memorizzata nei metadati del modello, quindi YOLO("model.onnx") applica la post-elaborazione corretta. La scelta dei runtime, i controlli di equivalenza e l'ottimizzazione per TensorRT o OpenVINO rientrano in Esporta in ONNX (e verifica l'equivalenza); questo ciclo controlla che ogni attività superi il passaggio di andata e ritorno:

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,

Ogni esportazione è stata ricaricata con l'attività corretta. Tre risultati meritano un secondo controllo:

• La posa ha rilevato 3 persone a 320 pixel, mentre l'esecuzione PyTorch a 640 pixel ne aveva rilevate 5.
• La profondità ha interpretato la scena come compresa tra 4.7 e 26.9 m, mentre gli stessi pesi, alla risoluzione nativa di 768 pixel, indicavano un intervallo tra 2.1 e 14.9 m.
• OBB non ha rilevato nulla in una foto di strada: è il comportamento corretto per un modello addestrato su immagini aeree, non un bug di esportazione.

PyTorch a imgsz=320 restituisce gli stessi valori di posa e profondità di ONNX, quindi nemmeno in questo caso si tratta di un bug di esportazione: è stata la risoluzione di input a cambiare il risultato. Esporta alla risoluzione imgsz che hai convalidato. I risultati semantici non hanno una riga di riepilogo per oggetto, quindi controlla invece result.semantic_mask.

Se scrivi la tua post-elaborazione, questi sono gli output ONNX grezzi a imgsz=320, tratti dal log di esportazione:

Su Ultralytics Platform, la pagina del modello mostra le metriche specifiche dell'attività (mAP delle maschere per un modello di segmentazione) sopra una scheda Esportazione che produce gli stessi formati:

ONNX è il formato di interscambio: un unico file esportato può essere eseguito in ONNX Runtime o convertito per altri runtime.

Checklist per la messa in produzione#

• La metrica usata come soglia nella tabella sopra raggiunge il valore obiettivo su un insieme di dati escluso dall'addestramento, alla risoluzione di messa in produzione imgsz.
• Il modello esportato viene ricaricato con task previsto e restituisce predizioni corrispondenti a quelle di PyTorch su un insieme fisso di immagini.
• I percorsi di codice per ogni attività gestiscono i risultati vuoti: masks is None, zero punti chiave, zero OBB.
• I valori a valle (aree, angoli, distanze, probabilità delle classi) vengono registrati per monitorarne le variazioni, come descritto in Osservabilità e deriva.

Quando la soglia non viene raggiunta, "tornare ai dati" di solito significa intervenire su una di queste tre leve:

Correggi prima la qualità dei dati e il processo di annotazione — i controlli delle etichette delle lezioni 2 e 6 sono il punto di partenza meno costoso — e modifica il modello solo quando i dati sono puliti.