Avalia e coloca em produção todas as tarefas

Um critério por tarefa#

O guia de métricas de desempenho explica cada valor. As execuções de segmentação e pose também apresentam métricas de caixas; mantém-nas como diagnóstico — uma diferença entre caixas e máscaras aponta para a qualidade dos contornos —, mas elas não são o produto. A análise específica da deteção, como a avaliação de vários limiares e a matriz de confusão, também se aplica a Validar e diagnosticar.

Valida todas as tarefas num único ciclo#

O modo Val aceita os pesos de qualquer tarefa com o conjunto de dados correspondente, por isso um único ciclo produz os valores da tabela de lançamento:

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

Sem um imgsz explícito, cada modelo é validado na resolução em que foi treinado: 640 para segmentação e pose, 768 para profundidade, 1024 para segmentação semântica e OBB. Estes valores pré-treinados são superiores aos das execuções de treino a 320 pixels realizadas anteriormente no curso — em parte devido ao treino e em parte à resolução. Com quatro imagens de validação, todos os valores aqui servem apenas como teste rápido; por exemplo, a página da tarefa de profundidade apresenta δ1 no conjunto de referência completo NYU. A classificação fica intencionalmente de fora: valida o classificador ajustado com os teus próprios pesos usando as respetivas pastas, como na lição sobre classificação.

Exporta todas as tarefas#

Cada tarefa é exportada para ONNX com a mesma chamada do modo Export. A tarefa fica guardada nos metadados do modelo, por isso YOLO("model.onnx") aplica o pós-processamento correto. As opções de ambiente de execução, as verificações de paridade e a otimização de TensorRT ou OpenVINO pertencem a Exportar para ONNX (e verificar a paridade); este ciclo verifica se todas as tarefas resistem à conversão de ida e volta:

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 as exportações foram recarregadas com a tarefa correta. Três resultados merecem uma segunda análise:

• A pose detetou 3 pessoas a 320 pixels, enquanto a execução de PyTorch a 640 pixels detetou 5.
• A profundidade estimou a cena entre 4.7–26.9 m, enquanto os mesmos pesos à resolução nativa de 768 pixels estimaram entre 2.1–14.9 m.
• OBB não detetou nada numa fotografia de rua — o comportamento correto para um modelo aéreo, não um erro de exportação.

PyTorch em imgsz=320 apresenta os mesmos valores de pose e profundidade que ONNX, portanto nenhum dos dois tem um erro de exportação: a resolução de entrada alterou o resultado. Exporta na resolução imgsz que validaste. Os resultados semânticos não têm uma linha de resumo por objeto, por isso verifica result.semantic_mask.

Se implementares o teu próprio pós-processamento, estas são as saídas ONNX em bruto em imgsz=320, retiradas do registo de exportação:

Na Ultralytics Platform, a página do modelo apresenta as métricas específicas da tarefa (mask mAP para um modelo de segmentação) acima de um separador Export que gera os mesmos formatos:

ONNX é o formato de intercâmbio: um único ficheiro exportado é executado no ONNX Runtime ou convertido para outros ambientes de execução.

Lista de verificação para lançamento#

• A métrica de avaliação da tabela acima atinge o objetivo num conjunto de dados reservado, na resolução de implantação imgsz.
• O modelo exportado é recarregado com o task esperado e corresponde às predições de PyTorch num conjunto fixo de imagens.
• Os caminhos de código por tarefa lidam com resultados vazios: masks is None, zero pontos-chave, zero OBBs.
• Os valores calculados a jusante (áreas, ângulos, distâncias, probabilidades de classe) são registados para que possas acompanhar a sua variação, conforme descrito em Observabilidade e desvio.

Quando o critério não é atingido, «voltar aos dados» costuma significar recorrer a uma de três medidas:

Corrige primeiro a qualidade dos dados e o processo de anotação — as verificações de rótulos das lições 2 e 6 são o ponto de partida mais económico — e só altera o modelo quando os dados estiverem limpos.