كشف الكائن
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 الأحدث Ultralytics حرر عند الاستخدام الأول.
نموذج | حجم (بكسل) |
خريطةفال 50-95 |
السرعة CPU 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 بواسطةyolo val detect data=coco.yaml device=0
- سرعة تم حساب المتوسط على صور COCO val باستخدام أمازون EC2 P4d مثيل.
إعادة إنتاج بواسطةyolo val detect data=coco8.yaml batch=1 device=0|cpu
قطار
قطار YOLOv8n على مجموعة بيانات COCO8 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="coco8.yaml", epochs=100, imgsz=640)
# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolov8n.yaml epochs=100 imgsz=640
# Start training from a pretrained *.pt model
yolo detect train data=coco8.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=coco8.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 COCO8. لا حاجة لتمرير أي حجة على أنها model
تحتفظ بتدريبها 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
تنبأ
استخدم مدربا YOLOv8n نموذج لتشغيل التنبؤات على الصور.
مثل
شاهد التفاصيل predict
تفاصيل الوضع في تنبأ صفحة.
تصدير
تصدير أ YOLOv8n نموذج إلى تنسيق مختلف مثل ONNX, CoreMLالخ.
مثل
متوفر YOLOv8 تنسيقات التصدير موجودة في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام format
الحجة ، أي format='onnx'
أو format='engine'
. 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 , batch |
ONNX | onnx |
yolov8n.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n.engine |
✅ | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolov8n.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n.pb |
❌ | imgsz , batch |
TF لايت | tflite |
yolov8n.tflite |
✅ | imgsz , half , int8 , batch |
TF حافة TPU | edgetpu |
yolov8n_edgetpu.tflite |
✅ | imgsz |
TF.شبيبه | tfjs |
yolov8n_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolov8n_ncnn_model/ |
✅ | imgsz , half , batch |
شاهد التفاصيل export
التفاصيل في تصدير صفحة.
الأسئلة المتداولة
كيف يمكنني تدريب نموذج YOLOv8 على مجموعة البيانات المخصصة الخاصة بي؟
يتضمن تدريب نموذج YOLOv8 على مجموعة بيانات مخصصة بضع خطوات:
- قم بإعداد مجموعة البيانات: تأكد من أن مجموعة البيانات الخاصة بك بتنسيق YOLO . للحصول على إرشادات، راجع دليل مجموعة البيانات.
- تحميل النموذج: استخدم مكتبة Ultralytics YOLO لتحميل نموذج مدرب مسبقًا أو إنشاء نموذج جديد من ملف YAML.
- تدريب النموذج: تنفيذ
train
في Python أو طريقةyolo detect train
في CLI.
مثل
للاطلاع على خيارات التكوين التفصيلية، قم بزيارة صفحة التكوين.
ما هي النماذج المدربة مسبقاً المتوفرة في YOLOv8 ؟
Ultralytics YOLOv8 نماذج مختلفة مُدرّبة مسبقًا لاكتشاف الأجسام وتجزئتها وتقدير وضعيتها. يتم تدريب هذه النماذج مسبقًا على مجموعة بيانات COCO أو ImageNet لمهام التصنيف. فيما يلي بعض النماذج المتاحة:
للاطلاع على قائمة مفصلة ومقاييس الأداء، راجع قسم النماذج.
كيف يمكنني التحقق من دقة نموذج YOLOv8 المدرّب الخاص بي؟
للتحقق من دقة نموذج YOLOv8 المدرب الخاص بك، يمكنك استخدام .val()
في Python أو طريقة yolo detect val
في CLI. سيوفر هذا الأمر مقاييس مثل mAP50-95 و mAP50-95 وغيرها.
مثل
لمزيد من تفاصيل التحقق، قم بزيارة صفحة فال.
ما هي التنسيقات التي يمكنني تصدير نموذج YOLOv8 إليها؟
Ultralytics YOLOv8 يسمح بتصدير النماذج إلى تنسيقات مختلفة مثل ONNX و TensorRT و CoreML وغيرها لضمان التوافق عبر مختلف المنصات والأجهزة.
مثل
راجع القائمة الكاملة للتنسيقات المدعومة والتعليمات في صفحة التصدير.
لماذا يجب أن أستخدم Ultralytics YOLOv8 للكشف عن الأجسام؟
Ultralytics YOLOv8 مصمم لتقديم أحدث أداء لاكتشاف الأجسام وتجزئتها وتقدير وضعيتها. فيما يلي بعض المزايا الرئيسية:
- نماذج مدربة مسبقًا: استخدم النماذج المدربة مسبقًا على مجموعات بيانات شائعة مثل COCO و ImageNet لتطوير أسرع.
- دقة عالية: يحقق نتائج مبهرة في MAP، مما يضمن اكتشاف الأجسام بشكل موثوق.
- السرعة: مُحسَّن للاستدلال في الوقت الفعلي، مما يجعله مثاليًا للتطبيقات التي تتطلب معالجة سريعة.
- المرونة: تصدير النماذج إلى تنسيقات مختلفة مثل ONNX و TensorRT للنشر عبر منصات متعددة.
اطّلع على مدونتنا للاطلاع على حالات الاستخدام وقصص النجاح التي تعرض YOLOv8 أثناء العمل.