Referenz für ultralytics/nn/tasks.py
Hinweis
Diese Datei ist verfügbar unter https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/nn/tasks .py. Wenn du ein Problem entdeckst, hilf bitte, es zu beheben, indem du einen Pull Request 🛠️ einreichst. Vielen Dank 🙏!
ultralytics.nn.tasks.BaseModel
Basen: Module
Die Klasse BaseModel dient als Basisklasse für alle Modelle der Ultralytics YOLO Familie.
Quellcode in ultralytics/nn/tasks.py
74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 |
|
forward(x, *args, **kwargs)
Vorwärtsgang des Modells auf einer einzigen Skala. Wrapper für _forward_once
Methode.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
x |
Tensor | dict
|
Das Eingabebild tensor oder ein Diktat, das das Bild tensor und gt-Labels enthält. |
erforderlich |
Retouren:
Typ | Beschreibung |
---|---|
Tensor
|
Der Ausgang des Netzwerks. |
Quellcode in ultralytics/nn/tasks.py
fuse(verbose=True)
Sichern Sie die Conv2d()
und BatchNorm2d()
Schichten des Modells zu einer einzigen Schicht zusammen, um die
Berechnungseffizienz zu verbessern.
Retouren:
Typ | Beschreibung |
---|---|
Module
|
Das verschmolzene Modell wird zurückgegeben. |
Quellcode in ultralytics/nn/tasks.py
info(detailed=False, verbose=True, imgsz=640)
Druckt Modellinformationen aus.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
detailed |
bool
|
wenn True, gibt detaillierte Informationen über das Modell aus. Standardmäßig ist False |
False
|
verbose |
bool
|
Wenn True, werden die Modellinformationen ausgedruckt. Standardwert ist False |
True
|
imgsz |
int
|
die Größe des Bildes, mit dem das Modell trainiert wird. Der Standardwert ist 640 |
640
|
Quellcode in ultralytics/nn/tasks.py
init_criterion()
is_fused(thresh=10)
Prüfe, ob das Modell weniger als einen bestimmten Schwellenwert an BatchNorm-Schichten hat.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
thresh |
int
|
Der Schwellenwert für die Anzahl der BatchNorm-Schichten. Standard ist 10. |
10
|
Retouren:
Typ | Beschreibung |
---|---|
bool
|
True, wenn die Anzahl der BatchNorm-Schichten im Modell kleiner ist als der Schwellenwert, sonst False. |
Quellcode in ultralytics/nn/tasks.py
load(weights, verbose=True)
Lade die Gewichte in das Modell.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
weights |
dict | Module
|
Die vortrainierten Gewichte, die geladen werden sollen. |
erforderlich |
verbose |
bool
|
Ob der Fortschritt der Übertragung protokolliert werden soll. Der Standardwert ist True. |
True
|
Quellcode in ultralytics/nn/tasks.py
loss(batch, preds=None)
Berechne den Verlust.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
batch |
dict
|
Batch zur Berechnung des Verlusts bei |
erforderlich |
preds |
Tensor | List[Tensor]
|
Vorhersagen. |
None
|
Quellcode in ultralytics/nn/tasks.py
predict(x, profile=False, visualize=False, augment=False, embed=None)
Führe einen Vorwärtsdurchlauf durch das Netzwerk durch.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
x |
Tensor
|
Die Eingabe tensor für das Modell. |
erforderlich |
profile |
bool
|
Druckt die Berechnungszeit jeder Ebene aus, wenn True, Standardwert ist False. |
False
|
visualize |
bool
|
Speichert die Feature-Maps des Modells, wenn True, standardmäßig ist False eingestellt. |
False
|
augment |
bool
|
Erweitert das Bild während der Vorhersage, Standardwert ist False. |
False
|
embed |
list
|
Eine Liste von Feature-Vektoren/Embeddings, die zurückgegeben werden sollen. |
None
|
Retouren:
Typ | Beschreibung |
---|---|
Tensor
|
Die letzte Ausgabe des Modells. |
Quellcode in ultralytics/nn/tasks.py
ultralytics.nn.tasks.DetectionModel
Basen: BaseModel
YOLOv8 Erkennungsmodell.
Quellcode in ultralytics/nn/tasks.py
__init__(cfg='yolov8n.yaml', ch=3, nc=None, verbose=True)
Initialisiere das Erkennungsmodell YOLOv8 mit der angegebenen Konfiguration und den Parametern.
Quellcode in ultralytics/nn/tasks.py
ultralytics.nn.tasks.OBBModel
Basen: DetectionModel
YOLOv8 Oriented Bounding Box (OBB) Modell.
Quellcode in ultralytics/nn/tasks.py
__init__(cfg='yolov8n-obb.yaml', ch=3, nc=None, verbose=True)
Initialisiere YOLOv8 OBB-Modell mit der angegebenen Konfiguration und den Parametern.
ultralytics.nn.tasks.SegmentationModel
Basen: DetectionModel
YOLOv8 Segmentierungsmodell.
Quellcode in ultralytics/nn/tasks.py
__init__(cfg='yolov8n-seg.yaml', ch=3, nc=None, verbose=True)
Initialisiere das YOLOv8 Segmentierungsmodell mit der angegebenen Konfiguration und den Parametern.
ultralytics.nn.tasks.PoseModel
Basen: DetectionModel
YOLOv8 Posenmodell.
Quellcode in ultralytics/nn/tasks.py
__init__(cfg='yolov8n-pose.yaml', ch=3, nc=None, data_kpt_shape=(None, None), verbose=True)
Initialisiere das YOLOv8 Posenmodell.
Quellcode in ultralytics/nn/tasks.py
ultralytics.nn.tasks.ClassificationModel
Basen: BaseModel
YOLOv8 Klassifizierungsmodell.
Quellcode in ultralytics/nn/tasks.py
__init__(cfg='yolov8n-cls.yaml', ch=3, nc=None, verbose=True)
Init ClassificationModel mit YAML, Kanälen, Anzahl der Klassen und Verbose-Flag.
init_criterion()
reshape_outputs(model, nc)
staticmethod
Aktualisiere ein TorchVision Klassifizierungsmodell bei Bedarf auf die Klassenanzahl 'n'.
Quellcode in ultralytics/nn/tasks.py
ultralytics.nn.tasks.RTDETRDetectionModel
Basen: DetectionModel
RTDETR (Real-time DEtection and Tracking using Transformers) Erkennungsmodellklasse.
Diese Klasse ist verantwortlich für den Aufbau der RTDETR-Architektur, die Definition von Verlustfunktionen und die Erleichterung sowohl des das Training und die Inferenzprozesse. RTDETR ist ein Modell zur Objekterkennung und -verfolgung, das von der DetectionModel Basisklasse erweitert.
Attribute:
Name | Typ | Beschreibung |
---|---|---|
cfg |
str
|
Der Pfad der Konfigurationsdatei oder der voreingestellte String. Die Voreinstellung ist "rtdetr-l.yaml". |
ch |
int
|
Anzahl der Eingangskanäle. Die Voreinstellung ist 3 (RGB). |
nc |
int
|
Anzahl der Klassen für die Objekterkennung. Die Voreinstellung ist Keine. |
verbose |
bool
|
Legt fest, ob bei der Initialisierung eine zusammenfassende Statistik angezeigt wird. Standard ist True. |
Methoden:
Name | Beschreibung |
---|---|
init_criterion |
Initialisiert das für die Verlustberechnung verwendete Kriterium. |
loss |
Berechnet und liefert den Verlust während des Trainings. |
predict |
Führt einen Vorwärtsdurchlauf durch das Netz durch und gibt die Ausgabe zurück. |
Quellcode in ultralytics/nn/tasks.py
441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 |
|
__init__(cfg='rtdetr-l.yaml', ch=3, nc=None, verbose=True)
Initialisiere das RTDETRDetectionModel.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
cfg |
str
|
Name oder Pfad der Konfigurationsdatei. |
'rtdetr-l.yaml'
|
ch |
int
|
Anzahl der Eingangskanäle. |
3
|
nc |
int
|
Anzahl der Klassen. Der Standardwert ist Keine. |
None
|
verbose |
bool
|
Druckt zusätzliche Informationen während der Initialisierung. Der Standardwert ist True. |
True
|
Quellcode in ultralytics/nn/tasks.py
init_criterion()
Initialisiere das Verlustkriterium für das RTDETRDetectionModel.
loss(batch, preds=None)
Berechne den Verlust für den gegebenen Datenstapel.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
batch |
dict
|
Wörterbuch mit Bild- und Beschriftungsdaten. |
erforderlich |
preds |
Tensor
|
Vorberechnete Modellvorhersagen. Der Standardwert ist Keine. |
None
|
Retouren:
Typ | Beschreibung |
---|---|
tuple
|
Ein Tupel, das den Gesamtverlust und die drei Hauptverluste in einer tensor enthält. |
Quellcode in ultralytics/nn/tasks.py
predict(x, profile=False, visualize=False, batch=None, augment=False, embed=None)
Führe einen Vorwärtsdurchlauf durch das Modell durch.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
x |
Tensor
|
Die Eingabe tensor. |
erforderlich |
profile |
bool
|
Bei True wird ein Profil der Berechnungszeit für jede Ebene erstellt. Der Standardwert ist False. |
False
|
visualize |
bool
|
Wenn True, speichere Feature Maps für die Visualisierung. Der Standardwert ist False. |
False
|
batch |
dict
|
Grundwahrheitsdaten für die Auswertung. Die Standardeinstellung ist Keine. |
None
|
augment |
bool
|
Wenn True, führe eine Datenerweiterung während der Inferenz durch. Der Standardwert ist False. |
False
|
embed |
list
|
Eine Liste von Feature-Vektoren/Embeddings, die zurückgegeben werden sollen. |
None
|
Retouren:
Typ | Beschreibung |
---|---|
Tensor
|
Die Leistung des Modells tensor. |
Quellcode in ultralytics/nn/tasks.py
ultralytics.nn.tasks.WorldModel
Basen: DetectionModel
YOLOv8 Weltmodell.
Quellcode in ultralytics/nn/tasks.py
558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 |
|
__init__(cfg='yolov8s-world.yaml', ch=3, nc=None, verbose=True)
Initialisiere das YOLOv8 Weltmodell mit der angegebenen Konfiguration und den Parametern.
Quellcode in ultralytics/nn/tasks.py
loss(batch, preds=None)
Berechne den Verlust.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
batch |
dict
|
Stapel, für den der Verlust berechnet werden soll. |
erforderlich |
preds |
Tensor | List[Tensor]
|
Vorhersagen. |
None
|
Quellcode in ultralytics/nn/tasks.py
predict(x, profile=False, visualize=False, txt_feats=None, augment=False, embed=None)
Führe einen Vorwärtsdurchlauf durch das Modell durch.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
x |
Tensor
|
Die Eingabe tensor. |
erforderlich |
profile |
bool
|
Bei True wird ein Profil der Berechnungszeit für jede Ebene erstellt. Der Standardwert ist False. |
False
|
visualize |
bool
|
Wenn True, speichere Feature Maps für die Visualisierung. Der Standardwert ist False. |
False
|
txt_feats |
Tensor
|
Die Textmerkmale, verwende sie, wenn sie angegeben sind. Der Standardwert ist None. |
None
|
augment |
bool
|
Wenn True, führe eine Datenerweiterung während der Inferenz durch. Der Standardwert ist False. |
False
|
embed |
list
|
Eine Liste von Feature-Vektoren/Embeddings, die zurückgegeben werden sollen. |
None
|
Retouren:
Typ | Beschreibung |
---|---|
Tensor
|
Die Leistung des Modells tensor. |
Quellcode in ultralytics/nn/tasks.py
set_classes(text, batch=80, cache_clip_model=True)
Lege die Klassen im Voraus fest, damit das Modell Offline-Inferenzen ohne Clip-Modell durchführen kann.
Quellcode in ultralytics/nn/tasks.py
ultralytics.nn.tasks.Ensemble
Basen: ModuleList
Ensemble von Modellen.
Quellcode in ultralytics/nn/tasks.py
__init__()
forward(x, augment=False, profile=False, visualize=False)
Die Funktion erzeugt die letzte Schicht des YOLO Netzwerks.
Quellcode in ultralytics/nn/tasks.py
ultralytics.nn.tasks.temporary_modules(modules=None)
Kontextmanager zum temporären Hinzufügen oder Ändern von Modulen im Modul-Cache von Python(sys.modules
).
Mit dieser Funktion kannst du die Modulpfade während der Laufzeit ändern. Sie ist nützlich beim Refactoring von Code, wenn du ein Modul von einem Ort an einen anderen verschoben hast, aber die alten Importpfade noch Pfade aus Gründen der Abwärtskompatibilität beibehalten.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
modules |
dict
|
Ein Wörterbuch, das alte Modulpfade auf neue Modulpfade abbildet. |
None
|
Beispiel
Hinweis
Die Änderungen sind nur innerhalb des Kontextmanagers wirksam und werden rückgängig gemacht, sobald der Kontextmanager beendet wird.
Sei dir bewusst, dass die direkte Manipulation von sys.modules
kann zu unvorhersehbaren Ergebnissen führen, besonders in größeren
Anwendungen oder Bibliotheken. Verwende diese Funktion mit Bedacht.
Quellcode in ultralytics/nn/tasks.py
ultralytics.nn.tasks.torch_safe_load(weight)
Diese Funktion versucht, ein PyTorch Modell mit der Funktion torch.load() zu laden. Wenn ein ModuleNotFoundError ausgelöst wird, fängt sie den Fehler ab, gibt eine Warnmeldung aus und versucht, das fehlende Modul mit der Funktion check_requirements() Funktion zu installieren. Nach der Installation versucht die Funktion erneut, das Modell mit torch.load() zu laden.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
weight |
str
|
Der Dateipfad des PyTorch Modells. |
erforderlich |
Retouren:
Typ | Beschreibung |
---|---|
dict
|
Das geladene Modell PyTorch . |
Quellcode in ultralytics/nn/tasks.py
ultralytics.nn.tasks.attempt_load_weights(weights, device=None, inplace=True, fuse=False)
Lädt ein Ensemble von Modellen weights=[a,b,c] oder ein einzelnes Modell weights=[a] oder weights=a.
Quellcode in ultralytics/nn/tasks.py
ultralytics.nn.tasks.attempt_load_one_weight(weight, device=None, inplace=True, fuse=False)
Lädt ein einzelnes Modell mit Gewichten.
Quellcode in ultralytics/nn/tasks.py
ultralytics.nn.tasks.parse_model(d, ch, verbose=True)
Parsen eines YOLO model.yaml Wörterbuchs in ein PyTorch model.
Quellcode in ultralytics/nn/tasks.py
830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 |
|
ultralytics.nn.tasks.yaml_model_load(path)
Lade ein YOLOv8 Modell aus einer YAML-Datei.
Quellcode in ultralytics/nn/tasks.py
ultralytics.nn.tasks.guess_model_scale(model_path)
Nimmt einen Pfad zur YAML-Datei eines YOLO Modells als Eingabe und extrahiert das Größenzeichen der Skala des Modells. Die Funktion verwendet reguläre Ausdrücke, um das Muster des Modellmaßstabs im YAML-Dateinamen zu finden, der mit n, s, m, l oder x bezeichnet wird. n, s, m, l oder x. Die Funktion gibt das Größenzeichen der Modellskala als String zurück.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
model_path |
str | Path
|
Der Pfad zur YAML-Datei des YOLO Modells. |
erforderlich |
Retouren:
Typ | Beschreibung |
---|---|
str
|
Der Größencharakter des Modellmaßstabs, der n, s, m, l oder x sein kann. |
Quellcode in ultralytics/nn/tasks.py
ultralytics.nn.tasks.guess_model_task(model)
Errate die Aufgabe eines PyTorch Modells anhand seiner Architektur oder Konfiguration.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
model |
Module | dict
|
PyTorch Modell oder Modellkonfiguration im YAML-Format. |
erforderlich |
Retouren:
Typ | Beschreibung |
---|---|
str
|
Aufgabe des Modells ("erkennen", "segmentieren", "klassifizieren", "posieren"). |
Erhöht:
Typ | Beschreibung |
---|---|
SyntaxError
|
Wenn die Aufgabe des Modells nicht bestimmt werden konnte. |
Quellcode in ultralytics/nn/tasks.py
982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 |
|