Objekterkennung

Objekterkennung ist eine Aufgabe, bei der die Position und Klasse von Objekten in einem Bild oder Videostream identifiziert werden.

Die Ausgabe eines Objektdetektors ist ein Satz von Begrenzungsrahmen, die die Objekte im Bild umschließen, zusammen mit Klassenbezeichnungen und Konfidenzwerten für jeden Rahmen. Die Objekterkennung ist eine gute Wahl, wenn Sie Objekte von Interesse in einer Szene identifizieren müssen, aber nicht genau wissen müssen, wo sich das Objekt befindet oder wie seine genaue Form ist.

Ansehen: Objekterkennung mit vortrainiertem Ultralytics YOLO Modell.

Modelle

Vortrainierte YOLO11 Detect-Modelle werden hier gezeigt. Detect-, Segment- und Pose-Modelle sind auf dem COCO-Datensatz vortrainiert, während Classify-Modelle auf dem ImageNet-Datensatz vortrainiert sind.

Modelle werden beim ersten Gebrauch automatisch von der neuesten Ultralytics Version heruntergeladen.

• mAP^val Werte gelten für Single-Model, Single-Scale auf COCO val2017 Datensatz.
  Reproduzieren durch yolo val detect data=coco.yaml device=0
• Geschwindigkeit gemittelt über COCO val-Bilder unter Verwendung von Amazon EC2 P4d Instanz.
  Reproduzieren durch yolo val detect data=coco.yaml batch=1 device=0|cpu

Trainieren

Trainieren Sie YOLO11n auf dem COCO8-Datensatz für 100 Epochen bei einer Bildgröße von 640. Eine vollständige Liste der verfügbaren Argumente finden Sie auf der Seite Konfiguration.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.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=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.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=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

Datensatzformat

Das YOLO-Format für Erkennungsdatensätze wird im Dataset Guide ausführlich beschrieben. Um Ihren vorhandenen Datensatz aus anderen Formaten (wie COCO usw.) in das YOLO-Format zu konvertieren, verwenden Sie bitte das Tool JSON2YOLO von Ultralytics.

Validieren

Validieren des trainierten YOLO11n-Modells Genauigkeit auf dem COCO8-Datensatz. Es werden keine Argumente benötigt, da die model behält sein Training data und Argumente als Modellattribute.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt      # val official model
yolo detect val model=path/to/best.pt # val custom model

Vorhersagen

Verwenden Sie ein trainiertes YOLO11n-Modell, um Vorhersagen auf Bildern auszuführen.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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

# Access the results
for result in results:
    xywh = result.boxes.xywh  # center-x, center-y, width, height
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # top-left-x, top-left-y, bottom-right-x, bottom-right-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # class name of each box
    confs = result.boxes.conf  # confidence score of each box

yolo detect predict model=yolo11n.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

Vollständige predict Details zum Modus finden Sie auf der Vorhersagen Seite.

Export

Exportieren Sie ein YOLO11n-Modell in ein anderes Format wie ONNX, CoreML usw.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt format=onnx      # export official model
yolo export model=path/to/best.pt format=onnx # export custom trained model

Die verfügbaren YOLO11-Exportformate sind in der folgenden Tabelle aufgeführt. Sie können in jedes Format exportieren, indem Sie die format Argument in ein beliebiges Format exportieren, z. B. format='onnx' oder format='engine'. Sie können direkt mit exportierten Modellen Vorhersagen treffen oder diese validieren, z. B. yolo predict model=yolo11n.onnx. Anwendungsbeispiele werden nach Abschluss des Exports für Ihr Modell angezeigt.

Vollständige export Details auf der Export Seite.

FAQ

Wie trainiere ich ein YOLO11-Modell auf meinem benutzerdefinierten Datensatz?

Das Trainieren eines YOLO11-Modells auf einem benutzerdefinierten Datensatz umfasst einige Schritte:

1. Datensatz vorbereiten: Stellen Sie sicher, dass sich Ihr Datensatz im YOLO-Format befindet. Anleitungen finden Sie in unserem Datensatz-Leitfaden.
2. Modell laden: Verwenden Sie die Ultralytics YOLO-Bibliothek, um ein vortrainiertes Modell zu laden oder ein neues Modell aus einer YAML-Datei zu erstellen.
3. Modell trainieren: Führen Sie die train Methode in python oder den yolo detect train Befehl in der CLI aus.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model on your custom dataset
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)

yolo detect train data=my_custom_dataset.yaml model=yolo11n.pt epochs=100 imgsz=640

Detaillierte Konfigurationsoptionen finden Sie auf der Seite Konfiguration.

Welche vortrainierten Modelle sind in YOLO11 verfügbar?

Ultralytics YOLO11 bietet verschiedene vortrainierte Modelle für Objekterkennung, Segmentierung und Pose-Schätzung. Diese Modelle sind auf dem COCO-Datensatz oder ImageNet für Klassifizierungsaufgaben vortrainiert. Hier sind einige der verfügbaren Modelle:

• YOLO11n
• YOLO11s
• YOLO11m
• YOLO11l
• YOLO11x

Eine detaillierte Liste und Leistungsmetriken finden Sie im Abschnitt Modelle.

Wie kann ich die Genauigkeit meines trainierten YOLO-Modells validieren?

Um die Genauigkeit Ihres trainierten YOLO11-Modells zu validieren, können Sie den .val() Methode in python oder den yolo detect val Befehl in der CLI verwenden. Dieser liefert Metriken wie mAP50-95, mAP50 und mehr.

from ultralytics import YOLO

# Load the model
model = YOLO("path/to/best.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # mAP50-95

yolo detect val model=path/to/best.pt

Weitere Informationen zur Validierung finden Sie auf der Seite Val.

In welche Formate kann ich ein YOLO11-Modell exportieren?

Ultralytics YOLO11 ermöglicht den Export von Modellen in verschiedene Formate wie ONNX, TensorRT, CoreML und mehr, um die Kompatibilität über verschiedene Plattformen und Geräte hinweg zu gewährleisten.

from ultralytics import YOLO

# Load the model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format
model.export(format="onnx")

yolo export model=yolo11n.pt format=onnx

Eine vollständige Liste der unterstützten Formate und Anweisungen finden Sie auf der Seite Export.

Warum sollte ich Ultralytics YOLO11 für die Objekterkennung verwenden?

Ultralytics YOLO11 wurde entwickelt, um eine hochmoderne Leistung für Objekterkennung, Segmentierung und Pose-Schätzung zu bieten. Hier sind einige der wichtigsten Vorteile:

1. Vorab trainierte Modelle: Nutzen Sie Modelle, die auf beliebten Datensätzen wie COCO und ImageNet vortrainiert wurden, um die Entwicklung zu beschleunigen.
2. Hohe Genauigkeit: Erzielt beeindruckende mAP-Werte und gewährleistet so eine zuverlässige Objekterkennung.
3. Geschwindigkeit: Optimiert für Echtzeit-Inferenz und somit ideal für Anwendungen, die eine schnelle Verarbeitung erfordern.
4. Flexibilität: Exportieren Sie Modelle in verschiedene Formate wie ONNX und TensorRT für den Einsatz auf verschiedenen Plattformen.

Entdecken Sie unseren Blog für Anwendungsfälle und Erfolgsgeschichten, die YOLO11 in Aktion zeigen.

📅 Vor 1 Jahr erstellt ✏️ Vor 5 Monaten aktualisiert

Kommentare