すべてのタスクを評価してデプロイする

タスクごとに1つの合否基準#

パフォーマンス指標ガイドでは、各スコアについて説明しています。セグメンテーションと姿勢推定の実行では、ボックスの指標も出力されます。ボックスとマスクの差から輪郭の品質を診断できるため、診断用として確認しますが、製品の指標ではありません。しきい値のスイープや混同行列など、検出に特化した読み解き方については、検証と診断の内容を応用できます。

1つのループですべてのタスクを検証する#

Valモードでは、タスクに合ったデータセットと組み合わせて、あらゆるタスクの重みを使用できます。そのため、1つのループでリリース表の数値をまとめて取得できます。

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

imgsz を明示的に指定しない場合、各モデルは学習時のサイズで検証されます。セグメンテーションと姿勢推定は640、深度推定は768、セマンティックセグメンテーションとOBBは1024です。これらの事前学習済みモデルの数値は、コース前半で学習した320ピクセルのモデルより高くなっています。これは学習による差と解像度による差の両方が影響しています。検証画像は4枚だけなので、ここでの数値はすべてスモークテストです。たとえば、深度推定タスクのページでは、NYUベンチマーク全体に対するδ1が報告されています。分類は意図的に対象外としています。分類器のレッスンと同様に、ファインチューニングした分類器は専用フォルダーを使って検証してください。

すべてのタスクをエクスポートする#

各タスクは、同じエクスポートモードの呼び出しでONNXにエクスポートできます。タスクはモデルのメタデータに保存されるため、YOLO("model.onnx") が適切な後処理を適用します。実行環境の選択、同等性チェック、TensorRTやOpenVINOのチューニングについては、ONNXにエクスポートして同等性を検証するで説明しています。このループでは、すべてのタスクでエクスポートと再読み込みが問題なく完了することを確認します。

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,

すべてのエクスポートを適切なタスクとして再読み込みできました。特に次の3つの結果は、詳しく確認する必要があります。

• 320ピクセルでは姿勢推定モデルが3人を検出しました。640ピクセルのPyTorch実行では5人を検出しました。
• 深度推定モデルはシーンの距離を4.7～26.9 mと判定しました。同じ重みをネイティブサイズの768ピクセルで使った場合は2.1～14.9 mと判定しました。
• OBBモデルは街路の写真で何も検出しませんでした。空撮画像向けモデルとして正しい動作であり、エクスポートの不具合ではありません。

imgsz=320 で実行したPyTorchの姿勢推定と深度推定の数値はONNXと一致しているため、どちらもエクスポートの不具合ではありません。入力サイズによって結果が変わりました。検証した imgsz でエクスポートしてください。セマンティックセグメンテーションにはオブジェクトごとの要約行がないため、代わりに result.semantic_mask を確認します。

独自の後処理を実装する場合は、エクスポートログにある imgsz=320 でのONNXの生出力は次のとおりです。

Ultralytics Platformでは、モデルページにタスク固有の指標（セグメンテーションモデルの場合はマスクmAP）が表示され、その下のエクスポートタブから同じ形式でエクスポートできます。

ONNXは中間形式として機能します。エクスポートした1つのファイルをONNX Runtimeで実行したり、ほかのランタイム向けに変換したりできます。

リリースチェックリスト#

• 上の表に記載した合否判定用の指標が、ホールドアウトセットでデプロイ時の imgsz において目標を満たしています。
• エクスポートしたモデルを、想定される task として再読み込みでき、固定した画像セットでPyTorchの予測結果と一致します。
• タスクごとのコードパスが空の結果を処理します。masks is None、キーポイントが0個、OBBが0個の場合も対象です。
• 可観測性とドリフトで説明しているように、下流の数値（面積、角度、距離、クラス確率）を記録し、変化を監視できるようにします。

合否基準を満たさない場合、「データに戻る」とは通常、次の3つの調整手段のいずれかを指します。

まずデータ品質とアノテーションプロセスを改善します。レッスン2と6のラベルチェックから始めるのが最も手軽です。データがクリーンな場合にのみ、モデルを変更します。