一. val.py 介绍
主要用于评估已经训练好的模型的性能和精度。通过在验证集上运行模型，计算模型在检测任务上的指标和评估结果。
具体来说功能如下：
-
加载模型和数据：
val.py会加载训练好的模型权重文件和用于验证的数据集。它会根据配置文件中的设置，加载模型架构和权重，并准备验证数据。 -
图像预处理：在验证过程中，输入图像会被预处理以适应模型的要求。这包括调整图像大小、归一化像素值等操作，以确保输入图像符合模型的要求。
-
模型推理：
val.py在验证集上运行模型进行推理。它会将预处理后的图像输入模型，得到模型对图像中目标的预测结果。 -
后处理和评估：在模型推理完成后，
val.py会对模型的输出结果进行后处理。它会将模型输出的边界框进行解码和筛选，并计算预测结果的精度指标，如精确率、召回率、平均精确率等。 -
输出结果和指标：
val.py会将评估结果和指标打印输出到控制台，以提供模型在验证集上的性能信息。这些信息可以用于评估模型的准确性和优化模型的参数和超参数。
通过运行 val.py 脚本，可以对已训练的模型进行验证，了解模型在检测任务上的表现，并根据评估结果进行优化和改进。
二. 使用说明
使用如下指令：
python3 val.py --weights best.engine --data ./dataset/dataset.yaml --half --imgsz 640
| 参数 | 说明 |
|---|---|
| –weights best.engine | 指定模型（best.engine 为使用 Tensorrt 加速的模型） |
| –data ./dataset/dataset.yaml | 指定验证数据集 |
| –half | 使用半精度 FP16 计算 |
| –imgsz 640 | 指定图片尺寸为 640*640，源码默认无法验证长方形图片，即输入长方形尺寸将会报错 |
另外还需要保证如何参数设置与检测推理时一样，否则验证结果是无效，不能代表检测推理情况：
| 参数 | 说明 |
|---|---|
| –conf-thres | 置信度阈值 |
| –iou-thres | 非最大抑制（NMS）时的IOU阈值。IOU阈值指定了两个边界框之间的最小重叠程度 |
三. 参考连接：
- YOLOv5-6.2 val.py 验证模型在自定义数据集上的效果 精度0.995
- YOLOv5的Tricks | 【Trick14】YOLOv5的val.py脚本的解析
