انتقل إلى المحتوى

كشف الكائن

أمثلة على اكتشاف الكائنات

اكتشاف الكائن هو مهمة تتضمن تحديد موقع وفئة الكائنات في دفق صورة أو فيديو.

ناتج كاشف الكائن عبارة عن مجموعة من المربعات المحيطة التي تحيط بالكائنات في الصورة ، جنبا إلى جنب مع تسميات الفئة ودرجات الثقة لكل مربع. يعد اكتشاف الكائن اختيارا جيدا عندما تحتاج إلى تحديد الأشياء ذات الأهمية في مشهد ما ، ولكن لا تحتاج إلى معرفة مكان الكائن بالضبط أو شكله الدقيق.



شاهد: اكتشاف الكائنات مع المدربين مسبقا Ultralytics YOLOv8 نموذج.

بقشيش

YOLOv8 الكشف عن النماذج هي الافتراضية YOLOv8 النماذج ، أي yolov8n.pt ويتم تدريبهم مسبقا على كوكو.

نماذج

YOLOv8 يتم عرض نماذج الكشف المدربة مسبقا هنا. يتم تدريب نماذج الكشف والمقطع والوضع مسبقا على مجموعة بيانات COCO ، بينما يتم تدريب نماذج التصنيف مسبقا على مجموعة بيانات ImageNet .

يتم تنزيل الموديلات تلقائيا من الأحدثUltralytics حرر عند الاستخدام الأول.

نموذج حجم
(بكسل)
خريطةفال
50-95
سرعة
وحده المعالجه المركزيه ONNX
(مللي ثانية)
سرعة
أ 100 TensorRT
(مللي ثانية)
المعلمات
(م)
يتخبط
(ب)
YOLOv8n 640 37.3 80.4 0.99 3.2 8.7
YOLOv8s 640 44.9 128.4 1.20 11.2 28.6
YOLOv8m 640 50.2 234.7 1.83 25.9 78.9
YOLOv8l 640 52.9 375.2 2.39 43.7 165.2
YOLOv8x 640 53.9 479.1 3.53 68.2 257.8
  • mAPval القيم هي لمقياس أحادي الطراز على كوكو فال2017 مجموعة البيانات.
    إعادة إنتاج بواسطة yolo val detect data=coco.yaml device=0
  • سرعة تم حساب المتوسط على صور COCO val باستخدام أمازون EC2 P4d مثيل.
    إعادة إنتاج بواسطة yolo val detect data=coco128.yaml batch=1 device=0|cpu

قطار

قطار YOLOv8n على مجموعة بيانات COCO128 ل 100 حقبة بحجم الصورة 640. للحصول على قائمة كاملة بالوسيطات المتاحة، راجع صفحة التكوين .

مثل

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)
# Build a new model from YAML and start training from scratch
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

تنسيق مجموعة البيانات

YOLO يمكن العثور على تنسيق مجموعة بيانات الكشف بالتفصيل في دليل مجموعة البيانات. لتحويل مجموعة البيانات الحالية من تنسيقات أخرى (مثل COCO وغيرها) إلى YOLO ، يرجى استخدام JSON2YOLO الأداة بواسطة Ultralytics.

فال

التحقق من صحة المدربين YOLOv8n دقة النموذج على مجموعة بيانات COCO128. لا حاجة لتمرير أي حجة على أنها model يحتفظ بتدريبه data والحجج كسمات نموذجية.

مثل

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load an official model
model = YOLO('path/to/best.pt')  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map    # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps   # a list contains map50-95 of each category
yolo detect val model=yolov8n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

تنبأ

استخدم مدربا YOLOv8n نموذج لتشغيل التنبؤات على الصور.

مثل

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load an official model
model = YOLO('path/to/best.pt')  # load a custom model

# Predict with the model
results = model('https://ultralytics.com/images/bus.jpg')  # predict on an image
yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

شاهد التفاصيل predict تفاصيل الوضع في تنبأ صفحة.

تصدير

تصدير أ YOLOv8n نموذج إلى تنسيق مختلف مثل ONNX, CoreMLالخ.

مثل

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load an official model
model = YOLO('path/to/best.pt')  # load a custom trained model

# Export the model
model.export(format='onnx')
yolo export model=yolov8n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

متوفر YOLOv8 تنسيقات التصدير موجودة في الجدول أدناه. يمكنك التنبؤ أو التحقق من صحة النماذج المصدرة مباشرة ، أي yolo predict model=yolov8n.onnx. يتم عرض أمثلة الاستخدام للطراز الخاص بك بعد اكتمال التصدير.

تنسيق format جدال نموذج البيانات الوصفية الحجج
PyTorch - yolov8n.pt -
TorchScript torchscript yolov8n.torchscript imgsz, optimize
ONNX onnx yolov8n.onnx imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n_openvino_model/ imgsz, half, int8
TensorRT engine yolov8n.engine imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n.mlpackage imgsz, half, int8, nms
TF SavedModel saved_model yolov8n_saved_model/ imgsz, keras, int8
TF GraphDef pb yolov8n.pb imgsz
TF لايت tflite yolov8n.tflite imgsz, half, int8
TF حافة TPU edgetpu yolov8n_edgetpu.tflite imgsz
TF.شبيبه tfjs yolov8n_web_model/ imgsz, half, int8
PaddlePaddle paddle yolov8n_paddle_model/ imgsz
ncnn ncnn yolov8n_ncnn_model/ imgsz, half

شاهد التفاصيل export التفاصيل في تصدير صفحة.



تم النشر في 2023-11-12, اخر تحديث 2024-02-03
المؤلفون: جلين جوشر (10) ، يضحك س (1) ، أيوشكسيل (1)

التعليقات