Objekt-Erkennung
Die Objekterkennung ist eine Aufgabe, bei der es darum geht, den Ort und die Klasse von Objekten in einem Bild oder Videostrom zu identifizieren.
Die Ausgabe eines Objektdetektors ist eine Reihe von Begrenzungsrahmen (Bounding Boxes), die die Objekte im Bild umschlieĂen, zusammen mit Klassenbeschriftungen und Vertrauenswerten fĂŒr jeden Rahmen. Die Objekterkennung ist eine gute Wahl, wenn du interessante Objekte in einer Szene identifizieren musst, aber nicht genau wissen willst, wo das Objekt ist oder welche Form es hat.
Pass auf: Objekterkennung mit vortrainiertem Ultralytics YOLOv8 Modell.
Tipp
YOLOv8 Die Erkennungsmodelle sind die Standardmodelle von YOLOv8 , d. h. yolov8n.pt
und sind vorgebildet auf COCO.
Modelle
YOLOv8 werden hier die trainierten Detect-Modelle gezeigt. Die Modelle Detect, Segment und Pose wurden mit dem COCO-Datensatz trainiert, wÀhrend die Modelle Classify mit dem ImageNet-Datensatz trainiert wurden.
Die Modelle werden bei der ersten Verwendung automatisch von der neuestenVersion von Ultralytics heruntergeladen.
Modell | GröĂe (Pixel) |
mAPval 50-95 |
Geschwindigkeit CPU ONNX (ms) |
Geschwindigkeit A100 TensorRT (ms) |
params (M) |
FLOPs (B) |
---|---|---|---|---|---|---|
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 Werte sind fĂŒr ein Modell mit einer Skala auf COCO val2017 Datensatz.
Reproduzieren durchyolo val detect data=coco.yaml device=0
- Geschwindigkeit gemittelt ĂŒber die COCO val-Bilder unter Verwendung eines Amazon EC2 P4d Instanz.
Reproduzieren durchyolo val detect data=coco8.yaml batch=1 device=0|cpu
Zug
Trainiere YOLOv8n mit dem COCO8-Datensatz fĂŒr 100 Epochen bei einer BildgröĂe von 640. Eine vollstĂ€ndige Liste der verfĂŒgbaren Argumente findest du auf der Seite Konfiguration.
Beispiel
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
Format des Datensatzes
YOLO Das Format der ErkennungsdatensÀtze findest du im Detail im Dataset Guide. Um deinen bestehenden Datensatz aus anderen Formaten (wie COCO usw.) in das Format YOLO zu konvertieren, verwende bitte das JSON2YOLO-Tool von Ultralytics.
Val
Validiere die Genauigkeit des trainierten YOLOv8n Modells auf dem COCO8-Datensatz. Es muss kein Argument ĂŒbergeben werden, da die model
behÀlt es die Ausbildung data
und Argumente als Modellattribute.
Beispiel
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
Vorhersage
Verwende ein trainiertes YOLOv8n Modell, um Vorhersagen fĂŒr Bilder zu treffen.
Beispiel
Siehe voll predict
Modus Details in der Vorhersage Seite.
exportieren
Exportiere ein YOLOv8n Modell in ein anderes Format wie ONNX, CoreML, usw.
Beispiel
Die verfĂŒgbaren YOLOv8 Exportformate findest du in der Tabelle unten. Du kannst in jedes beliebige Format exportieren, indem du die format
Argument, d.h. format='onnx'
oder format='engine'
. Du kannst exportierte Modelle direkt vorhersagen oder validieren, d.h. yolo predict model=yolov8n.onnx
. Nach Abschluss des Exports werden Anwendungsbeispiele fĂŒr dein Modell angezeigt.
Format | format Argument |
Modell | Metadaten | Argumente |
---|---|---|---|---|
PyTorch | - | yolov8n.pt |
â | - |
TorchScript | torchscript |
yolov8n.torchscript |
â | imgsz , optimize , batch |
ONNX | onnx |
yolov8n.onnx |
â | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n_openvino_model/ |
â | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n.engine |
â | imgsz , half , dynamic , simplify , workspace , batch |
CoreML | coreml |
yolov8n.mlpackage |
â | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n_saved_model/ |
â | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n.pb |
â | imgsz , batch |
TF Lite | tflite |
yolov8n.tflite |
â | imgsz , half , int8 , batch |
TF Kante TPU | edgetpu |
yolov8n_edgetpu.tflite |
â | imgsz , batch |
TF.js | tfjs |
yolov8n_web_model/ |
â | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n_paddle_model/ |
â | imgsz , batch |
NCNN | ncnn |
yolov8n_ncnn_model/ |
â | imgsz , half , batch |
Siehe voll export
Details in der exportieren Seite.
Erstellt 2023-11-12, Aktualisiert 2024-04-27
Autoren: glenn-jocher (14), Burhan-Q (1), Laughing-q (1), AyushExel (1)