Оцени и подготовь к развёртыванию все задачи

Одна метрика приёмки для каждой задачи#

В руководстве по метрикам производительности объясняется каждая метрика. Запуски сегментации и оценки позы также показывают метрики рамок. Используй их для диагностики: разница между показателями рамок и масок указывает на качество контуров, — но рамки не являются целевым результатом. Рекомендации по анализу результатов детекции, например подбор порогов и построение матрицы ошибок, применимы и здесь; они приведены в разделе «Валидация и диагностика».

Проверь все задачи в одном цикле#

Режим Val принимает веса любой задачи при условии, что им соответствует набор данных, поэтому один цикл формирует показатели для таблицы релиза:

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

Если явно не указать imgsz, каждая модель проходит валидацию при размере, на котором её обучали: 640 для сегментации и оценки позы, 768 для глубины, 1024 для семантической сегментации и OBB. Показатели этих предварительно обученных моделей выше результатов обучения с размером 320 пикселей, приведённых ранее в курсе: отчасти благодаря обучению, отчасти — разрешению. Четыре изображения для валидации позволяют лишь проверить, что всё работает; например, на странице задачи оценки глубины приводится δ1 на полном наборе NYU. Классификация намеренно не включена: проверь дообученный классификатор на собственных папках, как в уроке по классификации.

Экспортируй все задачи#

Каждую задачу можно экспортировать в ONNX одним и тем же вызовом режима Export. Задача сохраняется в метаданных модели, поэтому YOLO("model.onnx") применяет нужную постобработку. Выбор среды выполнения, проверка паритета и настройка TensorRT или OpenVINO рассматриваются в разделе «Экспорт в ONNX (и проверка паритета)»; в этом цикле проверяется, что все задачи проходят полный цикл экспорта и повторной загрузки:

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,

Все экспортированные модели загрузились повторно с правильным типом задачи. Три результата стоит проверить внимательнее:

• При размере 320 пикселей модель оценки позы обнаружила 3 человек, тогда как запуск PyTorch при размере 640 пикселей обнаружил 5.
• Модель глубины оценила расстояния как 4,7–26,9 м, тогда как те же веса при исходном размере 768 пикселей дали значения 2,1–14,9 м.
• OBB ничего не обнаружила на уличной фотографии — это правильное поведение для модели, обученной на аэрофотоснимках, а не ошибка экспорта.

PyTorch с imgsz=320 выдаёт те же показатели для оценки позы и глубины, что и ONNX, поэтому ни в одном из случаев нет ошибки экспорта: результат изменился из-за размера входного изображения. Экспортируй модель с тем значением imgsz, которое ты проверил. Для семантической сегментации нет сводной строки по объектам, поэтому проверь result.semantic_mask.

Если ты реализуешь собственную постобработку, ниже приведены исходные выходы ONNX при imgsz=320 из журнала экспорта:

На платформе Ultralytics на странице модели отображаются метрики для соответствующей задачи (например, mask mAP для модели сегментации), а на вкладке Export можно получить модель в тех же форматах:

ONNX — формат для обмена моделями: один экспортированный файл запускается в ONNX Runtime или конвертируется для других сред выполнения.

Чек-лист перед выпуском#

• Метрика приёмки из таблицы выше достигает целевого значения на отложенной выборке при размере развёртывания imgsz.
• Экспортированная модель повторно загружается с ожидаемым task и выдаёт те же предсказания, что и PyTorch, на фиксированном наборе изображений.
• В коде для каждой задачи обрабатываются пустые результаты: masks is None, отсутствие ключевых точек, отсутствие OBB.
• Показатели для последующей обработки (площади, углы, расстояния, вероятности классов) записываются в журнал, чтобы отслеживать их изменения, как описано в разделе «Наблюдаемость и дрейф».

Если метрика приёмки не достигнута, «вернуться к данным» обычно означает использовать один из трёх способов:

Сначала исправь качество данных и процесс разметки: проверки меток из уроков 2 и 6 — самый простой способ начать. Меняй модель только после того, как приведёшь данные в порядок.