Saltar al contenido

Ultralytics YOLOv8 Modos

Ultralytics YOLO ecosistema e integraciones

Introducci贸n

Ultralytics YOLOv8 no es s贸lo otro modelo de detecci贸n de objetos; es un marco vers谩til dise帽ado para cubrir todo el ciclo de vida de los modelos de aprendizaje autom谩tico: desde la ingesti贸n de datos y el entrenamiento del modelo hasta la validaci贸n, el despliegue y el seguimiento en el mundo real. Cada modo sirve a un prop贸sito espec铆fico y est谩 dise帽ado para ofrecerte la flexibilidad y eficacia necesarias para diferentes tareas y casos de uso.



Observa: Ultralytics Modos Tutorial: Entrenar, Validar, Predecir, Exportar y Comparar.

Los modos de un vistazo

Comprender los distintos modos que admite Ultralytics YOLOv8 es fundamental para sacar el m谩ximo partido a tus modelos:

  • Modo Entrenar: Afina tu modelo en conjuntos de datos personalizados o precargados.
  • Modo Val: Un punto de control posterior al entrenamiento para validar el rendimiento del modelo.
  • Modo Predecir: Libera el poder predictivo de tu modelo con datos del mundo real.
  • Modo exportaci贸n: Prepara tu modelo para el despliegue en varios formatos.
  • Modo Seguimiento: Ampl铆a tu modelo de detecci贸n de objetos a aplicaciones de seguimiento en tiempo real.
  • Modo Benchmark: Analiza la velocidad y precisi贸n de tu modelo en diversos entornos de implantaci贸n.

Esta completa gu铆a pretende darte una visi贸n general y pr谩ctica de cada modo, ayud谩ndote a aprovechar todo el potencial de YOLOv8.

Tren

El modo Entrenar se utiliza para entrenar un modelo YOLOv8 en un conjunto de datos personalizado. En este modo, el modelo se entrena utilizando el conjunto de datos y los hiperpar谩metros especificados. El proceso de entrenamiento consiste en optimizar los par谩metros del modelo para que pueda predecir con precisi贸n las clases y ubicaciones de los objetos de una imagen.

Ejemplos de trenes

Val

El modo Val se utiliza para validar un modelo YOLOv8 despu茅s de haberlo entrenado. En este modo, el modelo se eval煤a en un conjunto de validaci贸n para medir su precisi贸n y su rendimiento de generalizaci贸n. Este modo puede utilizarse para ajustar los hiperpar谩metros del modelo con el fin de mejorar su rendimiento.

Val Ejemplos

Predecir

El modo Predecir se utiliza para hacer predicciones utilizando un modelo YOLOv8 entrenado en nuevas im谩genes o v铆deos. En este modo, el modelo se carga desde un archivo de control, y el usuario puede proporcionar im谩genes o v铆deos para realizar la inferencia. El modelo predice las clases y ubicaciones de los objetos en las im谩genes o v铆deos de entrada.

Predecir Ejemplos

Exportar

El modo Exportar se utiliza para exportar un modelo YOLOv8 a un formato que pueda utilizarse para su despliegue. En este modo, el modelo se convierte a un formato que pueda ser utilizado por otras aplicaciones de software o dispositivos de hardware. Este modo es 煤til cuando se despliega el modelo en entornos de producci贸n.

Ejemplos de exportaci贸n

Pista

El modo Seguimiento se utiliza para seguir objetos en tiempo real utilizando un modelo YOLOv8 . En este modo, el modelo se carga desde un archivo de punto de control, y el usuario puede proporcionar un flujo de v铆deo en directo para realizar el seguimiento de objetos en tiempo real. Este modo es 煤til para aplicaciones como los sistemas de vigilancia o los coches autoconducidos.

Ejemplos de v铆as

Punto de referencia

El modo Benchmark se utiliza para perfilar la velocidad y precisi贸n de varios formatos de exportaci贸n para YOLOv8. Los puntos de referencia proporcionan informaci贸n sobre el tama帽o del formato exportado, su mAP50-95 m茅tricas (para detecci贸n de objetos, segmentaci贸n y pose) o accuracy_top5 m茅tricas (para la clasificaci贸n), y el tiempo de inferencia en milisegundos por imagen en varios formatos de exportaci贸n como ONNX, OpenVINO, TensorRT y otros. Esta informaci贸n puede ayudar a los usuarios a elegir el formato de exportaci贸n 贸ptimo para su caso de uso espec铆fico en funci贸n de sus requisitos de velocidad y precisi贸n.

Ejemplos de puntos de referencia



Creado 2023-11-12, Actualizado 2024-02-03
Autores: glenn-jocher (4)

Comentarios