Ultralytics YOLOv8 Modi
Einführung
Ultralytics YOLOv8 ist nicht einfach nur ein weiteres Objekterkennungsmodell, sondern ein vielseitiges Framework, das den gesamten Lebenszyklus von Machine-Learning-Modellen abdeckt - von der Dateneingabe und dem Modelltraining bis hin zur Validierung, dem Einsatz und der Verfolgung in der realen Welt. Jeder Modus dient einem bestimmten Zweck und wurde entwickelt, um dir die Flexibilität und Effizienz zu bieten, die du für verschiedene Aufgaben und Anwendungsfälle brauchst.
Pass auf: Ultralytics Modi Tutorial: Trainieren, Validieren, Vorhersagen, Exportieren und Benchmarking.
Modi auf einen Blick
Um das Beste aus deinen Modellen herauszuholen, ist es wichtig, die verschiedenen Modi zu verstehen, die Ultralytics YOLOv8 unterstützt:
- Trainingsmodus: Verfeinere dein Modell mit benutzerdefinierten oder vorab geladenen Datensätzen.
- Val-Modus: Ein Kontrollpunkt nach dem Training, um die Leistung des Modells zu überprüfen.
- Vorhersagemodus: Entfessle die Vorhersagekraft deines Modells auf realen Daten.
- Exportmodus: Mache dein Modell in verschiedenen Formaten einsatzbereit.
- Verfolgungsmodus: Erweitere dein Objekterkennungsmodell zu Echtzeit-Tracking-Anwendungen.
- Benchmark-Modus: Analysiere die Geschwindigkeit und Genauigkeit deines Modells in verschiedenen Einsatzumgebungen.
Dieser umfassende Leitfaden soll dir einen Überblick und praktische Einblicke in jeden Modus geben und dir helfen, das volle Potenzial von YOLOv8 zu nutzen.
Zug
Der Train-Modus wird für das Training eines YOLOv8 Modells auf einem benutzerdefinierten Datensatz verwendet. In diesem Modus wird das Modell mit dem angegebenen Datensatz und den Hyperparametern trainiert. Beim Training werden die Parameter des Modells so optimiert, dass es die Klassen und Positionen der Objekte in einem Bild genau vorhersagen kann.
Val
Der Val-Modus wird verwendet, um ein YOLOv8 Modell zu validieren, nachdem es trainiert worden ist. In diesem Modus wird das Modell anhand einer Validierungsmenge bewertet, um seine Genauigkeit und Generalisierungsleistung zu messen. In diesem Modus können die Hyperparameter des Modells angepasst werden, um seine Leistung zu verbessern.
Vorhersage
Der Modus "Vorhersage" wird verwendet, um mit einem trainierten YOLOv8 Modell Vorhersagen für neue Bilder oder Videos zu treffen. In diesem Modus wird das Modell aus einer Checkpoint-Datei geladen, und der Nutzer kann Bilder oder Videos zur Verfügung stellen, um Schlussfolgerungen zu ziehen. Das Modell sagt die Klassen und Orte der Objekte in den eingegebenen Bildern oder Videos voraus.
exportieren
Der Exportmodus wird verwendet, um ein YOLOv8 Modell in ein Format zu exportieren, das für den Einsatz verwendet werden kann. In diesem Modus wird das Modell in ein Format umgewandelt, das von anderen Softwareanwendungen oder Hardwaregeräten verwendet werden kann. Dieser Modus ist nützlich, wenn das Modell in Produktionsumgebungen eingesetzt werden soll.
Track
Der Verfolgungsmodus wird für die Verfolgung von Objekten in Echtzeit mit einem YOLOv8 Modell verwendet. In diesem Modus wird das Modell aus einer Checkpoint-Datei geladen, und der Nutzer kann einen Live-Videostream bereitstellen, um eine Objektverfolgung in Echtzeit durchzuführen. Dieser Modus ist nützlich für Anwendungen wie Überwachungssysteme oder selbstfahrende Autos.
Benchmark
Der Benchmark-Modus wird verwendet, um ein Profil der Geschwindigkeit und Genauigkeit verschiedener Exportformate für YOLOv8 zu erstellen. Die Benchmarks liefern Informationen über die Größe des exportierten Formats, seine mAP50-95
Metriken (für Objekterkennung, Segmentierung und Pose) oder accuracy_top5
Metriken (für die Klassifizierung) und die Inferenzzeit in Millisekunden pro Bild für verschiedene Exportformate wie ONNX, OpenVINO, TensorRT und andere. Diese Informationen können den Nutzern helfen, das optimale Exportformat für ihren speziellen Anwendungsfall zu wählen, je nachdem, welche Anforderungen sie an Geschwindigkeit und Genauigkeit stellen.