Umfassende Tutorials für Ultralytics YOLO

Willkommen bei Ultralytics' YOLO 🚀 Guides! Unsere umfassenden Tutorials behandeln verschiedene Aspekte desYOLO-Objekterkennungsmodells, vom Training über die Vorhersage bis hin zum Einsatz. Aufgebaut auf PyTorchbasiert, zeichnet sich YOLO durch seine außergewöhnliche Geschwindigkeit und Genauigkeit bei der Objekterkennung in Echtzeit aus.

Ob Sie ein Anfänger oder ein Experte im Bereich Deep Learning sind, unsere Tutorials bieten wertvolle Einblicke in die Implementierung und Optimierung von YOLO für Ihre Computer-Vision-Projekte. Tauchen wir ein!

Ansehen: Ultralytics YOLO11 – Übersicht über die Anleitungen

Anleitungen

Hier ist eine Zusammenstellung von detaillierten Anleitungen, die Ihnen helfen, verschiedene Aspekte von Ultralytics YOLO zu meistern.

• Ein Leitfaden zum Testen von Modellen: Ein umfassender Leitfaden zum Testen Ihrer Computer-Vision-Modelle unter realistischen Bedingungen. Erfahren Sie, wie Sie Genauigkeit, Zuverlässigkeit und Leistung im Einklang mit den Projektzielen überprüfen können.
• AzureML-Schnellstart: Starten Sie mit Ultralytics YOLO auf der Azure Machine Learning- Plattform Microsoft. Erfahren Sie, wie Sie Ihre Objekterkennungsprojekte in der Cloud trainieren, bereitstellen und skalieren können.
• Best Practices für die Modellbereitstellung: Hier finden Sie Tipps und Best Practices für die effiziente Bereitstellung von Modellen in Computer-Vision-Projekten, mit Schwerpunkt auf Optimierung, Fehlerbehebung und Sicherheit.
• Conda Quickstart: Schritt-für-Schritt-Anleitung zum Einrichten einer Conda- Umgebung für Ultralytics. Erfahren Sie, wie Sie das Ultralytics mit Conda installieren und effizient nutzen können.
• Datenerfassung und Annotation: Entdecken Sie die Tools, Techniken und Best Practices für die Erfassung und Annotation von Daten, um hochwertige Eingaben für Ihre Computer-Vision-Modelle zu erstellen.
• DeepStream auf NVIDIA : Schnellstartanleitung für die Bereitstellung von YOLO auf NVIDIA -Geräten mit DeepStream und TensorRT.
• Festlegen der Ziele eines Computer-Vision-Projekts: Erfahren Sie, wie Sie klare und messbare Ziele für Ihr Computer-Vision-Projekt effektiv definieren können. Lernen Sie, wie wichtig eine klar definierte Problemstellung ist und wie sie eine Roadmap für Ihr Projekt erstellt.
• Docker-Schnellstart: Vollständige Anleitung zum Einrichten und Verwenden von Ultralytics YOLO mit Docker. Erfahren Sie, wie Sie Docker installieren, GPU verwalten und YOLO in isolierten Containern ausführen, um eine konsistente Entwicklung und Bereitstellung zu gewährleisten.
• Edge TPU on Raspberry Pi: Google Edge TPU beschleunigt die YOLO-Inferenz auf Raspberry Pi.
• Hyperparameter-Optimierung: Erfahren Sie, wie Sie Ihre YOLO optimieren können, indem Sie Hyperparameter mithilfe der Tuner-Klasse und genetischer Evolutionsalgorithmen feinabstimmen.
• Einblicke in die Modellbewertung und Feinabstimmung: Erhalten Sie Einblicke in die Strategien und Best Practices für die Bewertung und Feinabstimmung Ihrer Computer-Vision-Modelle. Erfahren Sie mehr über den iterativen Prozess der Modellverfeinerung, um optimale Ergebnisse zu erzielen.
• Isolieren von Segmentierungsobjekten: Schritt-für-Schritt-Anleitung und Erläuterung zum Extrahieren und/oder Isolieren von Objekten aus Bildern mit Ultralytics .
• K-Fold-Kreuzvalidierung: Erfahren Sie, wie Sie die Modellgeneralisierung mithilfe der K-Fold-Kreuzvalidierungstechnik verbessern können.
• Wartung Ihres Computer-Vision-Modells: Lernen Sie die wichtigsten Verfahren zur Überwachung, Wartung und Dokumentation von Computer-Vision-Modellen kennen, um Genauigkeit zu gewährleisten, Anomalien zu erkennen und Datenabweichungen zu minimieren.
• Optionen zur Modellbereitstellung: Überblick über YOLO Modellbereitstellungsformate wie ONNX, OpenVINO und TensorRT mit Vor- und Nachteilen für jede Option, um Ihre Bereitstellungsstrategie zu informieren.
• Modell-YAML-Konfigurationshandbuch: Ein umfassender Einblick in die Definitionen der Modellarchitektur Ultralytics. Entdecken Sie das YAML-Format, lernen Sie das Modulauflösungssystem kennen und erfahren Sie, wie Sie benutzerdefinierte Module nahtlos integrieren können.
• NVIDIA : Schnellstartanleitung für die Bereitstellung von YOLO auf NVIDIA Geräten.
• OpenVINO und Durchsatzmodi: Lernen Sie Techniken zur Latenz- und Durchsatzoptimierung für eine maximale YOLO kennen.
• Vorverarbeitung annotierter Daten: Erfahren Sie mehr über die Vorverarbeitung und Erweiterung von Bilddaten in Computer-Vision-Projekten mit YOLO11, einschließlich Normalisierung, Datensatz-Erweiterung, Aufteilung und explorativer Datenanalyse (EDA).
• Raspberry Pi: Schnellstart-Tutorial zum Ausführen von YOLO auf der neuesten Raspberry Pi-Hardware.
• ROS-Schnellstart: Erfahren Sie, wie Sie YOLO das Robot Operating System (ROS) integrieren können, um in Robotikanwendungen Objekte in Echtzeit zu erkennen, einschließlich Punktwolken- und Tiefenbildern.
• SAHI Tiled Inference: Umfassender Leitfaden zur Nutzung der SAHI-Sliced-Inference-Funktionen mit YOLO11 die Objekterkennung in hochauflösenden Bildern.
• Schritte eines Computer-Vision-Projekts: Erfahren Sie mehr über die wichtigsten Schritte eines Computer-Vision-Projekts, darunter die Definition von Zielen, die Auswahl von Modellen, die Vorbereitung von Daten und die Auswertung von Ergebnissen.
• Tipps für das Modelltraining: Entdecken Sie Tipps zur Optimierung von Batchgrößen, zur Verwendung gemischter Genauigkeit, zur Anwendung vortrainierter Gewichte und vieles mehr, um das Training Ihres Computer-Vision-Modells zum Kinderspiel zu machen.
• IntegrationTriton Servers: Tauchen Sie ein in die Integration von Ultralytics YOLO11 dem Triton Server NVIDIA für skalierbare und effiziente Deep-Learning-Inferenz-Bereitstellungen.
• Vertex AI-Bereitstellung mit Docker: Optimierte Anleitung zur Containerisierung von YOLO mit Docker und deren Bereitstellung auf Google Vertex AI – einschließlich Erstellung, Push, automatischer Skalierung und Überwachung.
• View Inference Images in a Terminal: Verwenden Sie das integrierte Terminal von VSCode, um Inferenz-Ergebnisse anzuzeigen, wenn Sie Remote Tunnel- oder SSH-Sitzungen verwenden.
• YOLO – Häufige Probleme ⭐ EMPFEHLENSWERT: Praktische Lösungen und Tipps zur Fehlerbehebung für die häufigsten Probleme bei der Arbeit mit Ultralytics YOLO-Modellen.
• YOLO : Beherrschen Sie die gesamte Bandbreite der Datenanreicherungstechniken in YOLO, von grundlegenden Transformationen bis hin zu fortgeschrittenen Strategien zur Verbesserung der Robustheit und Leistung von Modellen.
• YOLO Performance Metrics ⭐ ESSENTIELL: Verstehen Sie die Schlüsselmetriken wie mAP, IoU und F1 score, die zur Bewertung der Leistung Ihrer YOLO-Modelle verwendet werden. Enthält praktische Beispiele und Tipps, wie Sie die Erkennungsgenauigkeit und -geschwindigkeit verbessern können.
• YOLO Inference: Richtlinien für die Durchführung von Inferenz mit YOLO auf thread-sichere Weise. Erfahren Sie mehr über die Bedeutung von Thread-Sicherheit und Best Practices zur Vermeidung von Race Conditions und zur Gewährleistung konsistenter Vorhersagen.

Beitragen zu unseren Anleitungen

Wir freuen uns über Beiträge aus der Community! Wenn Sie einen bestimmten Aspekt von Ultralytics YOLO beherrschen, der noch nicht in unseren Anleitungen behandelt wird, ermutigen wir Sie, Ihr Fachwissen zu teilen. Das Schreiben einer Anleitung ist eine großartige Möglichkeit, der Community etwas zurückzugeben und uns zu helfen, unsere Dokumentation umfassender und benutzerfreundlicher zu gestalten.

Für den Anfang lesen Sie bitte unseren Contributing Guide, der Ihnen zeigt, wie Sie einen Pull Request (PR) eröffnen 🛠️. Wir freuen uns auf Ihre Beiträge!

Lassen Sie uns zusammenarbeiten, um das Ultralytics YOLO-Ökosystem robuster und vielseitiger zu machen 🙏!

FAQ

Wie trainiere ich ein benutzerdefiniertes Objekterkennungsmodell mit Ultralytics YOLO?

Das Trainieren eines benutzerdefinierten Objekterkennungsmodells mit Ultralytics YOLO ist unkompliziert. Beginnen Sie mit der Vorbereitung Ihres Datensatzes im richtigen Format und der Installation des Ultralytics-Pakets. Verwenden Sie den folgenden Code, um das Training zu initiieren:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load a pre-trained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

yolo task=detect mode=train model=yolo11n.pt data=path/to/dataset.yaml epochs=50

Detaillierte Informationen zur Formatierung von Datensätzen und zu zusätzlichen Optionen finden Sie in unserem Tipps für das Modelltraining.

Welche Leistungsmetriken sollte ich verwenden, um mein YOLO-Modell zu bewerten?

Die Bewertung der Leistung Ihres YOLO ist entscheidend für das Verständnis seiner Wirksamkeit. Zu den wichtigsten Metriken gehören die mittlere durchschnittliche PräzisionmAP), die Überschneidung über die EinheitIoU) und die F1-Bewertung. Diese Metriken helfen bei der Bewertung der Genauigkeit und Präzision von Objekterkennungsaufgaben. In unserem Leitfaden zu denYOLO erfahren Sie mehr über diese Metriken und wie Sie Ihr Modell verbessern können.

Warum sollte ich Ultralytics HUB für meine Computer-Vision-Projekte verwenden?

Ultralytics HUB ist eine No-Code-Plattform, die die Verwaltung, das Training und die Bereitstellung von YOLO-Modellen vereinfacht. Sie unterstützt nahtlose Integration, Echtzeit-Tracking und Cloud-Training und ist somit ideal für Anfänger und Profis. Entdecken Sie mehr über seine Funktionen und wie es Ihren Workflow mit unserem Ultralytics HUB Schnellstart-Leitfaden optimieren kann.

Welche häufigen Probleme treten beim YOLO-Modelltraining auf und wie kann ich sie beheben?

Häufige Probleme beim YOLO-Modelltraining sind Datenformatierungsfehler, Inkompatibilitäten der Modellarchitektur und unzureichende Trainingsdaten. Um diese zu beheben, stellen Sie sicher, dass Ihr Datensatz korrekt formatiert ist, überprüfen Sie die Kompatibilität der Modellversionen und erweitern Sie Ihre Trainingsdaten. Eine umfassende Liste von Lösungen finden Sie in unserem YOLO Common Issues Leitfaden.

Wie kann ich mein YOLO-Modell für die Echtzeit-Objekterkennung auf Edge-Geräten bereitstellen?

Der Einsatz von YOLO auf Edge-Geräten wie NVIDIA Jetson und Raspberry Pi erfordert die Konvertierung des Modells in ein kompatibles Format wie TensorRT oder TFLite. Folgen Sie unseren Schritt-für-Schritt-Anleitungen für NVIDIA Jetson und Raspberry Pi, um mit der Echtzeit-Objekterkennung auf Edge-Hardware zu beginnen. Diese Anleitungen führen Sie durch die Installation, Konfiguration und Leistungsoptimierung.

📅 Vor 2 Jahren erstellt ✏️ Vor 1 Tag aktualisiert

Kommentare