Referencia para ultralytics/engine/model.py
Nota
Este archivo está disponible en https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/engine/model .py. Si detectas algún problema, por favor, ayuda a solucionarlo contribuyendo con una Pull Request 🛠️. ¡Gracias 🙏!
ultralytics.engine.model.Model
Bases: Module
Una clase base para implementar los modelos YOLO , unificando las API de los distintos tipos de modelos.
Esta clase proporciona una interfaz común para diversas operaciones relacionadas con los modelos YOLO , como el entrenamiento validación, predicción, exportación y evaluación comparativa. Maneja distintos tipos de modelos, incluidos los cargados desde archivos locales, Ultralytics HUB o Triton Servidor. La clase está diseñada para ser flexible y ampliable para diferentes tareas y configuraciones de modelos.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
model |
Union[str, Path]
|
Ruta o nombre del modelo a cargar o crear. Puede ser un archivo local local, un nombre de modelo de Ultralytics HUB, o un modelo de Triton Servidor. Por defecto es 'yolov8n.pt'. |
'yolov8n.pt'
|
task |
Any
|
El tipo de tarea asociado al modelo YOLO . Puede utilizarse para especificar el dominio de aplicación del modelo, como detección de objetos, segmentación, etc. Por defecto es Ninguno. |
None
|
verbose |
bool
|
Si es Verdadero, activa la salida verbosa durante las operaciones del modelo. Por defecto es Falso. |
False
|
Atributos:
Nombre | Tipo | Descripción |
---|---|---|
callbacks |
dict
|
Un diccionario de funciones de llamada de retorno para varios eventos durante las operaciones del modelo. |
predictor |
BasePredictor
|
El objeto predictor utilizado para hacer predicciones. |
model |
Module
|
El modelo subyacente PyTorch . |
trainer |
BaseTrainer
|
El objeto entrenador utilizado para entrenar el modelo. |
ckpt |
dict
|
Los datos del punto de control si el modelo se carga desde un archivo *.pt. |
cfg |
str
|
La configuración del modelo si se carga desde un archivo *.yaml. |
ckpt_path |
str
|
La ruta al archivo del punto de control. |
overrides |
dict
|
Un diccionario de anulaciones para la configuración del modelo. |
metrics |
dict
|
Las últimas métricas de entrenamiento/validación. |
session |
HUBTrainingSession
|
La sesión Ultralytics HUB, si procede. |
task |
str
|
El tipo de tarea al que se destina el modelo. |
model_name |
str
|
El nombre del modelo. |
Métodos:
Nombre | Descripción |
---|---|
__call__ |
Alias del método predecir, que permite llamar a la instancia del modelo. |
_new |
Inicializa un nuevo modelo a partir de un archivo de configuración. |
_load |
Carga un modelo desde un archivo de puntos de control. |
_check_is_pytorch_model |
Garantiza que el modelo es un modelo PyTorch . |
reset_weights |
Restablece los pesos del modelo a su estado inicial. |
load |
Carga los pesos del modelo desde un archivo especificado. |
save |
Guarda el estado actual del modelo en un archivo. |
info |
Registra o devuelve información sobre el modelo. |
fuse |
Fusiona las capas Conv2d y BatchNorm2d para una inferencia optimizada. |
predict |
Realiza predicciones de detección de objetos. |
track |
Realiza el seguimiento de objetos. |
val |
Valida el modelo en un conjunto de datos. |
benchmark |
Evalúa el modelo en varios formatos de exportación. |
export |
Exporta el modelo a distintos formatos. |
train |
Entrena el modelo en un conjunto de datos. |
tune |
Realiza el ajuste de los hiperparámetros. |
_apply |
Aplica una función a los tensores del modelo. |
add_callback |
Añade una función de devolución de llamada para un evento. |
clear_callback |
Borra todas las llamadas de retorno de un evento. |
reset_callbacks |
Restablece todas las retrollamadas a sus funciones por defecto. |
_get_hub_session |
Recupera o crea una sesión de Ultralytics HUB. |
is_triton_model |
Comprueba si un modelo es un modelo de servidor Triton . |
is_hub_model |
Comprueba si un modelo es un modelo Ultralytics HUB. |
_reset_ckpt_args |
Restablece los argumentos del punto de control al cargar un modelo PyTorch . |
_smart_load |
Carga el módulo adecuado en función de la tarea modelo. |
task_map |
Proporciona una correspondencia entre las tareas del modelo y las clases correspondientes. |
Aumenta:
Tipo | Descripción |
---|---|
FileNotFoundError
|
Si el archivo modelo especificado no existe o es inaccesible. |
ValueError
|
Si el archivo del modelo o la configuración no son válidos o no se admiten. |
ImportError
|
Si no están instaladas las dependencias necesarias para determinados tipos de modelos (como el SDK de HUB). |
TypeError
|
Si el modelo no es un modelo PyTorch cuando sea necesario. |
AttributeError
|
Si los atributos o métodos necesarios no están implementados o disponibles. |
NotImplementedError
|
Si no se admite una tarea o modo de modelo concreto. |
Código fuente en ultralytics/engine/model.py
28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 |
|
device: torch.device
property
Recupera el dispositivo en el que están asignados los parámetros del modelo.
Esta propiedad se utiliza para determinar si los parámetros del modelo están en la CPU o en la GPU. Sólo se aplica a los modelos que son instancias de nn.Módulo.
Devuelve:
Tipo | Descripción |
---|---|
device | None
|
El dispositivo (CPU/GPU) del modelo si es un modelo PyTorch , en caso contrario Ninguno. |
names: list
property
Recupera los nombres de las clases asociadas al modelo cargado.
Esta propiedad devuelve los nombres de clase si están definidos en el modelo. Comprueba la validez de los nombres de clase utilizando la función 'check_class_names' del módulo ultralytics.nn.autobackend.
Devuelve:
Tipo | Descripción |
---|---|
list | None
|
Los nombres de clase del modelo si están disponibles, en caso contrario Ninguno. |
task_map: dict
property
Asigna la cabeza a las clases modelo, entrenador, validador y predictor.
Devuelve:
Nombre | Tipo | Descripción |
---|---|---|
task_map |
dict
|
El mapa de la tarea modelo a las clases de modo. |
transforms
property
Recupera las transformaciones aplicadas a los datos de entrada del modelo cargado.
Esta propiedad devuelve las transformaciones si están definidas en el modelo.
Devuelve:
Tipo | Descripción |
---|---|
object | None
|
El objeto de transformación del modelo, si está disponible; en caso contrario, Ninguno. |
__call__(source=None, stream=False, **kwargs)
Un alias para el método predecir, que permite llamar a la instancia del modelo.
Este método simplifica el proceso de hacer predicciones permitiendo llamar directamente a la instancia del modelo con los argumentos necesarios para la predicción.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
source |
str | Path | int | Image | ndarray
|
La fuente de la imagen para hacer predicciones. Acepta varios tipos, como rutas de archivos, URL, imágenes PIL y matrices numpy. Por defecto es Ninguno. |
None
|
stream |
bool
|
Si es Verdadero, trata la fuente de entrada como un flujo continuo para las predicciones. Por defecto es Falso. |
False
|
**kwargs |
any
|
Argumentos adicionales de palabra clave para configurar el proceso de predicción. |
{}
|
Devuelve:
Tipo | Descripción |
---|---|
List[Results]
|
Una lista de resultados de predicción, encapsulada en la clase Resultados. |
Código fuente en ultralytics/engine/model.py
__init__(model='yolov8n.pt', task=None, verbose=False)
Inicializa una nueva instancia de la clase de modelo YOLO .
Este constructor configura el modelo basándose en la ruta o nombre del modelo proporcionado. Maneja varios tipos de fuentes incluyendo archivos locales, modelos Ultralytics HUB y modelos Triton Server. El método inicializa varios atributos importantes del modelo y lo prepara para operaciones como el entrenamiento, la predicción o la exportación.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
model |
Union[str, Path]
|
La ruta o el archivo modelo a cargar o crear. Puede ser una ruta local, un nombre de modelo de Ultralytics HUB o un modelo de Triton Server. Por defecto es 'yolov8n.pt'. |
'yolov8n.pt'
|
task |
Any
|
El tipo de tarea asociado al modelo YOLO , especificando su dominio de aplicación. Por defecto es Ninguno. |
None
|
verbose |
bool
|
Si es Verdadero, activa la salida detallada durante la inicialización del modelo y las operaciones posteriores. posteriores. Por defecto es Falso. |
False
|
Aumenta:
Tipo | Descripción |
---|---|
FileNotFoundError
|
Si el archivo modelo especificado no existe o es inaccesible. |
ValueError
|
Si el archivo del modelo o la configuración no son válidos o no se admiten. |
ImportError
|
Si no están instaladas las dependencias necesarias para determinados tipos de modelos (como el SDK de HUB). |
Código fuente en ultralytics/engine/model.py
add_callback(event, func)
Añade una función de llamada de retorno para un evento especificado.
Este método permite al usuario registrar una función de llamada de retorno personalizada que se activa en un evento específico durante entrenamiento o inferencia del modelo.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
event |
str
|
El nombre del evento al que adjuntar la llamada de retorno. |
necesario |
func |
callable
|
La función de llamada de retorno que se va a registrar. |
necesario |
Aumenta:
Tipo | Descripción |
---|---|
ValueError
|
Si no se reconoce el nombre del evento. |
Código fuente en ultralytics/engine/model.py
benchmark(**kwargs)
Compara el modelo en varios formatos de exportación para evaluar el rendimiento.
Este método evalúa el rendimiento del modelo en distintos formatos de exportación, como ONNX, TorchScript, etc. Utiliza la función "benchmark" del módulo ultralytics.utils.benchmarks. La evaluación comparativa se configura mediante una combinación de valores de configuración por defecto, argumentos específicos del modelo, valores por defecto específicos del método y cualquier argumento adicional proporcionado por el usuario.
El método admite varios argumentos que permiten personalizar el proceso de evaluación comparativa, como el conjunto de datos tamaño de imagen, modos de precisión, selección de dispositivo y verbosidad. Para obtener una lista completa de todas opciones configurables, los usuarios deben consultar la sección "configuración" de la documentación.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
**kwargs |
any
|
Argumentos arbitrarios de palabras clave para personalizar el proceso de evaluación comparativa. Se combinan con configuraciones por defecto, argumentos específicos del modelo y métodos por defecto. |
{}
|
Devuelve:
Tipo | Descripción |
---|---|
dict
|
Un diccionario que contiene los resultados del proceso de evaluación comparativa. |
Aumenta:
Tipo | Descripción |
---|---|
AssertionError
|
Si el modelo no es un modelo PyTorch . |
Código fuente en ultralytics/engine/model.py
clear_callback(event)
Borra todas las funciones de llamada de retorno registradas para un evento especificado.
Este método elimina todas las funciones de llamada de retorno personalizadas y por defecto asociadas al evento dado.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
event |
str
|
El nombre del evento para el que borrar las rellamadas. |
necesario |
Aumenta:
Tipo | Descripción |
---|---|
ValueError
|
Si no se reconoce el nombre del evento. |
Código fuente en ultralytics/engine/model.py
embed(source=None, stream=False, **kwargs)
Genera incrustaciones de imágenes basándose en la fuente proporcionada.
Este método es una envoltura del método 'predecir()', centrada en generar incrustaciones a partir de una fuente de imágenes. Permite personalizar el proceso de incrustación mediante varios argumentos de palabra clave.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
source |
str | int | Image | ndarray
|
La fuente de la imagen para generar incrustaciones. La fuente puede ser una ruta de archivo, una URL, una imagen PIL, una matriz numpy, etc. Por defecto es Ninguno. |
None
|
stream |
bool
|
Si es Verdadero, se transmiten las predicciones. Por defecto es Falso. |
False
|
**kwargs |
any
|
Argumentos de palabra clave adicionales para configurar el proceso de incrustación. |
{}
|
Devuelve:
Tipo | Descripción |
---|---|
List[Tensor]
|
Una lista que contiene las imágenes incrustadas. |
Aumenta:
Tipo | Descripción |
---|---|
AssertionError
|
Si el modelo no es un modelo PyTorch . |
Código fuente en ultralytics/engine/model.py
export(**kwargs)
Exporta el modelo a otro formato adecuado para su despliegue.
Este método facilita la exportación del modelo a varios formatos (por ejemplo, ONNX, TorchScript) para su despliegue despliegue. Utiliza la clase "Exportador" para el proceso de exportación, combinando las anulaciones específicas del modelo, el método y los argumentos adicionales que se proporcionen. Los argumentos combinados se utilizan para configurar los ajustes de exportación.
El método admite una amplia gama de argumentos para personalizar el proceso de exportación. Para obtener una lista completa de todos posibles, consulta la sección "Configuración" de la documentación.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
**kwargs |
any
|
Argumentos arbitrarios de palabras clave para personalizar el proceso de exportación. Se combinan con las del modelo y los métodos por defecto. |
{}
|
Devuelve:
Tipo | Descripción |
---|---|
str
|
El nombre de archivo del modelo exportado en el formato especificado, o un objeto relacionado con el proceso de exportación. |
Aumenta:
Tipo | Descripción |
---|---|
AssertionError
|
Si el modelo no es un modelo PyTorch . |
Código fuente en ultralytics/engine/model.py
fuse()
Fusiona las capas Conv2d y BatchNorm2d en el modelo.
Este método optimiza el modelo fusionando las capas Conv2d y BatchNorm2d, lo que puede mejorar la velocidad de inferencia.
Aumenta:
Tipo | Descripción |
---|---|
AssertionError
|
Si el modelo no es un modelo PyTorch . |
Código fuente en ultralytics/engine/model.py
info(detailed=False, verbose=True)
Registra o devuelve información sobre el modelo.
Este método proporciona una visión general o información detallada sobre el modelo, dependiendo de los argumentos pasados. Puede controlar la verbosidad de la salida.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
detailed |
bool
|
Si es Verdadero, muestra información detallada sobre el modelo. Por defecto es Falso. |
False
|
verbose |
bool
|
Si es True, imprime la información. Si es False, devuelve la información. Por defecto es Verdadero. |
True
|
Devuelve:
Tipo | Descripción |
---|---|
list
|
Varios tipos de información sobre el modelo, en función de los parámetros "detallado" y "detallado". |
Aumenta:
Tipo | Descripción |
---|---|
AssertionError
|
Si el modelo no es un modelo PyTorch . |
Código fuente en ultralytics/engine/model.py
is_hub_model(model)
staticmethod
Comprueba si el modelo proporcionado es un modelo HUB.
Código fuente en ultralytics/engine/model.py
is_triton_model(model)
staticmethod
El modelo es una cadena de URL del servidor Triton , es decir
Código fuente en ultralytics/engine/model.py
load(weights='yolov8n.pt')
Carga en el modelo los parámetros del archivo de pesos especificado.
Este método permite cargar ponderaciones desde un archivo o directamente desde un objeto ponderaciones. Hace coincidir los parámetros por nombre y forma y los transfiere al modelo.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
weights |
str | Path
|
Ruta al archivo de ponderaciones o a un objeto de ponderaciones. Por defecto es 'yolov8n.pt'. |
'yolov8n.pt'
|
Devuelve:
Nombre | Tipo | Descripción |
---|---|---|
self |
Model
|
La instancia de la clase con pesos cargados. |
Aumenta:
Tipo | Descripción |
---|---|
AssertionError
|
Si el modelo no es un modelo PyTorch . |
Código fuente en ultralytics/engine/model.py
predict(source=None, stream=False, predictor=None, **kwargs)
Realiza predicciones sobre la fuente de imagen dada utilizando el modelo YOLO .
Este método facilita el proceso de predicción, permitiendo diversas configuraciones mediante argumentos de palabras clave. Admite predicciones con predictores personalizados o con el método de predicción por defecto. El método maneja diferentes tipos de fuentes de imágenes y puede funcionar en modo streaming. También admite modelos del tipo SAM mediante "predicciones".
El método crea un nuevo predictor si no está ya presente y actualiza sus argumentos con cada llamada. También emite una advertencia y utiliza los activos por defecto si no se proporciona la "fuente". El método determina si está siendo llamado desde la interfaz de la línea de comandos y ajusta su comportamiento en consecuencia, incluyendo el establecimiento de valores por defecto para el umbral de confianza y el comportamiento de guardado.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
source |
str | int | Image | ndarray
|
La fuente de la imagen para hacer predicciones. Acepta varios tipos, como rutas de archivos, URLs, imágenes PIL y matrices numpy. Por defecto es ACTIVOS. |
None
|
stream |
bool
|
Trata la fuente de entrada como un flujo continuo para las predicciones. Por defecto es Falso. |
False
|
predictor |
BasePredictor
|
Una instancia de una clase de predictor personalizada para hacer predicciones. Si es Ninguno, el método utiliza un predictor por defecto. Por defecto es Ninguno. |
None
|
**kwargs |
any
|
Argumentos adicionales de palabras clave para configurar el proceso de predicción. Estos argumentos permiten una mayor personalización del comportamiento de la predicción. |
{}
|
Devuelve:
Tipo | Descripción |
---|---|
List[Results]
|
Una lista de resultados de predicción, encapsulada en la clase Resultados. |
Aumenta:
Tipo | Descripción |
---|---|
AttributeError
|
Si el predictor no está bien configurado. |
Código fuente en ultralytics/engine/model.py
reset_callbacks()
Restablece todas las retrollamadas a sus funciones por defecto.
Este método restablece las funciones de llamada de retorno predeterminadas para todos los eventos, eliminando cualquier llamada de retorno personalizada que se haya añadidas anteriormente.
Código fuente en ultralytics/engine/model.py
reset_weights()
Restablece los parámetros del modelo a valores inicializados aleatoriamente, descartando de hecho toda la información de entrenamiento.
Este método recorre todos los módulos del modelo y restablece sus parámetros si tienen un método método 'reset_parameters'. También se asegura de que todos los parámetros tienen "requires_grad" establecido en True, lo que permite que se actualicen durante el entrenamiento. actualizarse durante el entrenamiento.
Devuelve:
Nombre | Tipo | Descripción |
---|---|---|
self |
Model
|
La instancia de la clase con pesos restablecidos. |
Aumenta:
Tipo | Descripción |
---|---|
AssertionError
|
Si el modelo no es un modelo PyTorch . |
Código fuente en ultralytics/engine/model.py
save(filename='saved_model.pt', use_dill=True)
Guarda el estado actual del modelo en un archivo.
Este método exporta el punto de control del modelo (ckpt) al nombre de archivo especificado.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
filename |
str | Path
|
El nombre del archivo en el que guardar el modelo. Por defecto es 'modelo_guardado.pt'. |
'saved_model.pt'
|
use_dill |
bool
|
Si se intenta utilizar dill para la serialización si está disponible. Por defecto es True. |
True
|
Aumenta:
Tipo | Descripción |
---|---|
AssertionError
|
Si el modelo no es un modelo PyTorch . |
Código fuente en ultralytics/engine/model.py
track(source=None, stream=False, persist=False, **kwargs)
Realiza el seguimiento de objetos en la fuente de entrada especificada utilizando los seguidores registrados.
Este método realiza el seguimiento de objetos utilizando los predictores del modelo y, opcionalmente, los rastreadores registrados. Es capaz capaz de manejar distintos tipos de fuentes de entrada, como rutas de archivos o secuencias de vídeo. El método admite personalización del proceso de seguimiento mediante varios argumentos de palabra clave. Registra los rastreadores si no están ya están presentes y, opcionalmente, los persiste basándose en la bandera "persistir".
El método establece un umbral de confianza por defecto específicamente para el seguimiento basado en ByteTrack, que requiere como entrada predicciones de baja confianza. El modo de seguimiento se establece explícitamente en los argumentos de palabra clave.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
source |
str
|
La fuente de entrada para el seguimiento de objetos. Puede ser una ruta de archivo, una URL o un flujo de vídeo. |
None
|
stream |
bool
|
Trata la fuente de entrada como un flujo de vídeo continuo. Por defecto es Falso. |
False
|
persist |
bool
|
Persiste los rastreadores entre diferentes llamadas a este método. Por defecto es Falso. |
False
|
**kwargs |
any
|
Argumentos de palabras clave adicionales para configurar el proceso de seguimiento. Estos argumentos permiten una mayor personalización del comportamiento de rastreo. |
{}
|
Devuelve:
Tipo | Descripción |
---|---|
List[Results]
|
Una lista de resultados del seguimiento, encapsulada en la clase Resultados. |
Aumenta:
Tipo | Descripción |
---|---|
AttributeError
|
Si el predictor no tiene seguidores registrados. |
Código fuente en ultralytics/engine/model.py
train(trainer=None, **kwargs)
Entrena el modelo utilizando el conjunto de datos y la configuración de entrenamiento especificados.
Este método facilita el entrenamiento del modelo con una serie de ajustes y configuraciones personalizables. Admite el entrenamiento con un entrenador personalizado o con el enfoque de entrenamiento por defecto definido en el método. El método maneja diferentes escenarios, como reanudar el entrenamiento desde un punto de control, integrarse con Ultralytics HUB, y actualizar el modelo y la configuración después del entrenamiento.
Cuando se utiliza Ultralytics HUB, si la sesión ya tiene un modelo cargado, el método da prioridad al entrenamiento HUB y emite una advertencia si se proporcionan argumentos locales. Comprueba si hay actualizaciones de pip y combina configuraciones, valores por defecto específicos del método y argumentos proporcionados por el usuario para configurar el proceso de entrenamiento. Después de entrenamiento, actualiza el modelo y sus configuraciones, y opcionalmente adjunta métricas.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
trainer |
BaseTrainer
|
Una instancia de una clase entrenadora personalizada para entrenar el modelo. Si es Ninguno, el método utiliza un entrenador por defecto. Por defecto es Ninguno. |
None
|
**kwargs |
any
|
Argumentos arbitrarios de palabras clave que representan la configuración de entrenamiento. Estos argumentos se utilizan para personalizar varios aspectos del proceso de entrenamiento. |
{}
|
Devuelve:
Tipo | Descripción |
---|---|
dict | None
|
Métricas de entrenamiento si están disponibles y el entrenamiento se ha realizado correctamente; en caso contrario, Ninguna. |
Aumenta:
Tipo | Descripción |
---|---|
AssertionError
|
Si el modelo no es un modelo PyTorch . |
PermissionError
|
Si hay un problema de permisos en la sesión HUB. |
ModuleNotFoundError
|
Si el SDK del HUB no está instalado. |
Código fuente en ultralytics/engine/model.py
604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 |
|
tune(use_ray=False, iterations=10, *args, **kwargs)
Realiza el ajuste de los hiperparámetros del modelo, con la opción de utilizar el Ajuste de Rayos.
Este método admite dos modos de ajuste de hiperparámetros: utilizando Ray Tune o un método de ajuste personalizado. Cuando Ray Tune está activado, aprovecha la función 'run_ray_tune' del módulo ultralytics.utils.tuner. De lo contrario, utiliza la clase interna 'Tuner' para la sintonización. El método combina argumentos por defecto, anulados y argumentos personalizados para configurar el proceso de ajuste.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
use_ray |
bool
|
Si es True, utiliza Ray Tune para el ajuste de hiperparámetros. Por defecto es Falso. |
False
|
iterations |
int
|
El número de iteraciones de ajuste a realizar. Por defecto es 10. |
10
|
*args |
list
|
Lista de argumentos de longitud variable para argumentos adicionales. |
()
|
**kwargs |
any
|
Argumentos arbitrarios de palabras clave. Se combinan con las anulaciones y los valores por defecto del modelo. |
{}
|
Devuelve:
Tipo | Descripción |
---|---|
dict
|
Un diccionario que contiene los resultados de la búsqueda de hiperparámetros. |
Aumenta:
Tipo | Descripción |
---|---|
AssertionError
|
Si el modelo no es un modelo PyTorch . |
Código fuente en ultralytics/engine/model.py
val(validator=None, **kwargs)
Valida el modelo utilizando un conjunto de datos y una configuración de validación especificados.
Este método facilita el proceso de validación del modelo, permitiendo una serie de personalizaciones mediante diversos ajustes y configuraciones. Admite la validación con un validador personalizado o con el método de validación por defecto. El método combina configuraciones por defecto, valores por defecto específicos del método y argumentos proporcionados por el usuario para configurar el proceso de validación. Tras la validación, actualiza las métricas del modelo con los resultados obtenidos del validador.
El método admite varios argumentos que permiten personalizar el proceso de validación. Para obtener una lista de todas las opciones configurables, los usuarios deben consultar la sección "Configuración" de la documentación.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
validator |
BaseValidator
|
Una instancia de una clase validadora personalizada para validar el modelo. Si Ninguno, el método utiliza un validador por defecto. Por defecto es Ninguno. |
None
|
**kwargs |
any
|
Argumentos arbitrarios de palabra clave que representan la configuración de validación. Estos argumentos se utilizan para personalizar varios aspectos del proceso de validación. |
{}
|
Devuelve:
Tipo | Descripción |
---|---|
dict
|
Métricas de validación obtenidas en el proceso de validación. |
Aumenta:
Tipo | Descripción |
---|---|
AssertionError
|
Si el modelo no es un modelo PyTorch . |