Commencer

Tutoriels complets sur Ultralytics YOLO

Les guides Ultralytics YOLO couvrent toutes les étapes d’un projet d’IA visuelle, de l’entraînement et de la prédiction au déploiement. Basé sur PyTorch, YOLO allie rapidité et précision pour la détection d’objets en temps réel et d’autres tâches de vision.

Que tu débutes ou que tu sois expert en apprentissage profond, ces tutoriels offrent des conseils pratiques pour mettre en œuvre et optimiser YOLO dans tes projets de vision par ordinateur.



Regarder : Présentation des guides Ultralytics YOLO26

Guides#

Les guides sont regroupés par étape du projet — de la configuration de l’environnement et de la préparation des données à l’entraînement, l’évaluation et le déploiement — pour que tu puisses accéder directement à l’étape sur laquelle tu travailles.

Démarrer et planifier#

  • Démarrage rapide avec Conda : guide pas à pas pour configurer un environnement Conda pour Ultralytics. Découvre comment installer le package Ultralytics et commencer à l’utiliser efficacement avec Conda.
  • Démarrage rapide avec Docker : guide complet pour configurer et utiliser les modèles Ultralytics YOLO avec Docker. Découvre comment installer Docker, gérer la prise en charge du GPU et exécuter les modèles YOLO dans des conteneurs isolés pour assurer la cohérence du développement et du déploiement.
  • Définir les objectifs d’un projet de vision par ordinateur : découvre étape par étape comment définir efficacement des objectifs clairs et mesurables pour ton projet de vision par ordinateur. Découvre l’importance d’un énoncé de problème bien défini et comment il établit une feuille de route pour ton projet.
  • Étapes d’un projet de vision par ordinateur : découvre les principales étapes d’un projet de vision par ordinateur, notamment la définition des objectifs, le choix des modèles, la préparation des données et l’évaluation des résultats.
  • L’architecture YOLO expliquée : suis l’évolution de l’architecture YOLO, de YOLOv3 à YOLO26, à travers le backbone, le neck et la tête de détection, notamment C2f, C3k2, l’attention C2PSA, ainsi que les conceptions sans ancres et sans NMS.

Préparer tes données#

  • Collecte et annotation des données : découvre les outils, techniques et bonnes pratiques pour collecter et annoter des données afin de créer des entrées de haute qualité pour tes modèles de vision par ordinateur.
  • Prétraitement des données annotées : découvre le prétraitement des données pour la vision par ordinateur avec YOLO26, notamment le redimensionnement des images, la normalisation, la division des jeux de données, l’augmentation des données et l’analyse exploratoire des données (EDA).
  • Augmentation des données YOLO : découvre toute la gamme de techniques d’augmentation des données dans YOLO, des transformations de base aux stratégies avancées pour améliorer la robustesse et les performances du modèle.
  • Conversion de COCO vers YOLO : guide complet pour convertir des annotations COCO JSON au format YOLO en vue de l’entraînement. Il couvre la détection, la segmentation et les points clés, notamment la correspondance des identifiants de classe et les erreurs courantes de conversion.
  • Entraînement avec COCO JSON : entraîne YOLO directement sur des annotations COCO JSON sans les convertir au format YOLO, à l’aide d’une classe de jeu de données et d’un entraîneur personnalisés.

Entraîner et affiner#

  • Découpage en tuiles haute résolution : entraîne, valide et effectue des prédictions sur des images haute résolution avec un découpage en tuiles fixe pour toutes les tâches de vision.
  • Conseils pour l’entraînement des modèles : découvre des conseils pour optimiser les tailles de lot, utiliser la précision mixte, appliquer des poids préentraînés et bien plus encore, afin d’entraîner plus efficacement des modèles de vision par ordinateur.
  • Affiner YOLO sur des données personnalisées : guide complet pour affiner YOLO26 sur des jeux de données personnalisés avec des poids préentraînés. Il couvre l’apprentissage par transfert, le gel des couches, le choix de l’optimiseur, l’entraînement en deux étapes et le dépannage.
  • Recette d’entraînement de YOLO26 : documentation complète des hyperparamètres, des pipelines d’augmentation et des paramètres de l’optimiseur utilisés pour entraîner les points de contrôle officiels YOLO26 base sur COCO, avec des conseils pratiques pour l’affinage.
  • Réglage des hyperparamètres : découvre comment optimiser tes modèles YOLO en ajustant les hyperparamètres avec la classe Tuner et des algorithmes d’évolution génétique.
  • Distillation des connaissances : découvre comment améliorer les performances d’un modèle en transférant les connaissances d’un modèle enseignant plus grand vers un modèle étudiant plus petit, grâce à la distillation basée sur les caractéristiques.
  • Validation croisée K-Fold : découvre comment améliorer la capacité de généralisation des modèles grâce à la technique de validation croisée K-Fold.
  • Personnaliser l’entraîneur : découvre comment créer une sous-classe de l’entraîneur YOLO pour journaliser des métriques personnalisées, ajouter une fonction de perte pondérée par classe, personnaliser l’enregistrement du modèle, geler/dégeler le backbone et définir des taux d’apprentissage par couche.
  • Guide de configuration YAML des modèles : analyse approfondie des définitions de l’architecture des modèles Ultralytics. Découvre le format YAML, comprends le système de résolution des modules et apprends à intégrer des modules personnalisés.

Évaluer et résoudre les problèmes#

  • Métriques de performance YOLO ⭐ INDISPENSABLE : comprends les métriques clés telles que mAP, IoU et le score F1, utilisées pour évaluer les performances de tes modèles YOLO. Tu y trouveras des exemples pratiques et des conseils pour améliorer la précision et la vitesse de détection.
  • Conseils sur l’évaluation et l’affinage des modèles : évalue les modèles de vision par ordinateur à l’aide de métriques comme mAP et IoU, puis exploite les informations fournies par ces métriques pour améliorer la précision de détection.
  • Tester les modèles : découvre comment tester des modèles de vision par ordinateur sur des données inédites, valider des modèles YOLO26 et détecter le surapprentissage, le sous-apprentissage et les fuites de données avant le déploiement.
  • Problèmes courants avec YOLO ⭐ RECOMMANDÉ : solutions pratiques et conseils de dépannage pour les problèmes les plus fréquemment rencontrés avec les modèles Ultralytics YOLO.
  • Maintenance de ton modèle de vision par ordinateur : découvre les pratiques essentielles pour surveiller, maintenir et documenter les modèles de vision par ordinateur, afin de préserver leur précision, de repérer les anomalies et d’atténuer la dérive des données.

Déployer et servir#

  • Options de déploiement des modèles : aperçu des formats de déploiement de modèles YOLO comme ONNX, OpenVINO et TensorRT, avec leurs avantages et inconvénients pour éclairer ta stratégie de déploiement.
  • Bonnes pratiques de déploiement des modèles : découvre des conseils et des bonnes pratiques pour déployer efficacement des modèles dans des projets de vision par ordinateur, en mettant l’accent sur l’optimisation, le dépannage et la sécurité.
  • Exporter des modèles autres que YOLO : utilise les utilitaires d’exportation autonomes d’Ultralytics pour convertir n’importe quel torch.nn.Module (timm, torchvision, personnalisé) vers TorchScript, ONNX, OpenVINO, CoreML, Core AI, TensorFlow SavedModel, PaddlePaddle, MNN, NCNN et ExecuTorch.
  • Détection de bout en bout : choisis l’inférence avec ou sans NMS et comprends les formats de sortie ainsi que la compatibilité des exportations.
  • Inférence YOLO thread-safe : recommandations pour effectuer l’inférence avec les modèles YOLO de manière thread-safe. Découvre l’importance de la sécurité des threads et les bonnes pratiques pour éviter les conditions de concurrence et garantir des prédictions cohérentes.
  • Modes latence et débit d’OpenVINO : découvre les techniques d’optimisation de la latence et du débit pour obtenir des performances d’inférence YOLO optimales.
  • Isoler les objets segmentés : procédure détaillée pour extraire et isoler des objets d’images avec les modèles de segmentation Ultralytics.
  • Afficher les images d’inférence dans un terminal : utilise le terminal intégré de VS Code pour afficher les résultats d’inférence lors de sessions Remote Tunnel ou SSH.

Les guides consacrés à du matériel, à des piles de services et à des plateformes cloud spécifiques, comme NVIDIA Jetson, Raspberry Pi, NVIDIA Triton et Google Vertex AI, sont répertoriés sous Intégrations.

Contribuer à nos guides#

Les contributions de la communauté sont les bienvenues ! Si tu maîtrises un aspect particulier d’Ultralytics YOLO qui n’est pas encore abordé dans nos guides, nous t’encourageons à partager ton expertise. Rédiger un guide est un excellent moyen de contribuer à la communauté et de nous aider à rendre notre documentation plus complète et conviviale.

Pour commencer, lis notre guide de contribution afin de connaître les instructions pour ouvrir une Pull Request (PR). Lorsque tu ajoutes un guide, place-le dans la catégorie ci-dessus correspondant à l’étape de son projet et limite-le à un seul type de page — un tutoriel pas à pas, un guide pratique axé sur une tâche ou une référence — afin que la collection reste facile à parcourir à mesure qu’elle s’étoffe. Nous avons hâte de découvrir tes contributions.

FAQ#

  • L’entraînement d’un modèle personnalisé de détection d’objets avec Ultralytics YOLO est simple. Commence par préparer ton jeu de données au format approprié et installer le package Ultralytics. Utilise le code suivant pour lancer l’entraînement :

    Exemple
    from ultralytics import YOLO
    
    model = YOLO("yolo26n.pt")  # Charger un modèle YOLO préentraîné
    model.train(data="path/to/dataset.yaml", epochs=50)  # Entraînement sur un jeu de données personnalisé
  • Évaluer les performances de ton modèle YOLO est essentiel pour comprendre son efficacité. Les métriques clés comprennent la précision moyenne moyenne (mAP), l’intersection sur l’union (IoU) et le score F1. Ces métriques permettent d’évaluer l’exactitude et la précision des tâches de détection d’objets. Pour en savoir plus sur ces métriques et découvrir comment améliorer ton modèle, consulte notre guide Métriques de performance YOLO.

  • Ultralytics Platform est un espace de travail de bout en bout sans code pour l’annotation de jeux de données, le suivi des expériences, l’entraînement dans le cloud, l’exportation et les points de terminaison d’inférence dédiés aux modèles YOLO. Il convient aussi bien aux débutants qu’aux professionnels.

  • Les problèmes courants lors de l’entraînement d’un modèle YOLO comprennent les erreurs de formatage des données, les incompatibilités d’architecture du modèle et le manque de données d’entraînement. Pour les résoudre, vérifie que ton jeu de données est correctement formaté, assure-toi que les versions du modèle sont compatibles et augmente tes données d’entraînement. Pour consulter une liste complète de solutions, réfère-toi à notre guide Problèmes courants avec YOLO.

  • Le déploiement de modèles YOLO sur des appareils en périphérie comme NVIDIA Jetson et Raspberry Pi nécessite de convertir le modèle vers un format compatible, tel que TensorRT ou LiteRT. Pour commencer la détection d’objets en temps réel sur du matériel en périphérie, suis nos guides étape par étape pour les déploiements sur NVIDIA Jetson et Raspberry Pi. Ces guides couvrent l’installation, la configuration et l’optimisation des performances.

Commentaires30

Pose une question, partage tes résultats ou aide quelqu’un d’autre.

  1. safdarhamid64-cpuGitHub

    i have done everything using your docker method everything , using AI chatbots , but still i am unable to run the yolo , plzz provide me a solution that will work for every Raspberry Pi4 because its really so much frustrating

  2. tutorialsyoloGitHub

    Hi, I am trying to improve the convolutional layers in the nn module like in conv.py or block.py as novelty for my research. The location is like "ultralytics/ultralytics/nn/modules/conv.py. Could you please tell me where else i should update/call the new block which I improved? Because it gives me error when I am adding those blocks in the cfg/.yaml files for training in a custom dataset. Thank you

  3. IshfazGitHub

    Hello,

    I'm using YOLOv8 for object detection, and I have only three classes in my dataset. However, when I generate the confusion matrix after training or validation, I notice that it shows a 4x4 matrix instead of the expected 3x3.

    It seems like an extra class, possibly a "background" or "null" class, is being added automatically.

    How can I remove this extra background class so that my confusion matrix only reflects the three actual classes I have trained on?

  4. AashishThakur1321GitHub

    can you tell the path, where downloaded model weights are stored as i manually want to add the weights to the folder as i don't have internet access on server

    1. Glenn JocherUltralytics

      @AashishThakur1321 the default location where Ultralytics models are stored depends on your operating system, but it's typically within a directory in your user's home folder; you can find more specific details by checking the "Settings" section when you run from ultralytics import settings; print(settings).

      1
  5. ghostGitHub

    Hello, I am working on a project to detect different types of cells. I already have a trained model, thanks to Ultralytics! I want to increase my dataset and tried using the auto-annotate function. The function works well but annotates objects in polygons. I need annotation in rectangular bounding boxes. Can you please help with this problem? https://docs.ultralytics.com/reference/data/annotator/

    1. Glenn JocherUltralytics

      @kartmyco thank you for your message! While the auto-annotate function currently outputs polygon annotations, you can convert them to rectangular bounding boxes using tools like cvat or labelme, or you can write a custom script to approximate polygons into rectangular boxes. For details on data annotation tools, you can refer to our guide on data collection and annotation. Let us know if you have additional questions!

    2. ghostGitHub

      Hello Glenn, Thank you so much for your reply. I will try to approximate the polygons in rectangular bounding boxes.

  6. jdonzaGitHub

    I decided to make a different thread here as it is related to a different topic. But I wanted to know if you guys had documentation that went into the specifics of how the YOLO models are created. I am interested to learn more about CNN's, how they work, and how it relates to the image processing of YOLO.

    1. Glenn JocherUltralytics

      @jdonza for detailed information on how YOLO models are created and how CNNs work in relation to YOLO, please refer to our comprehensive guides at https://docs.ultralytics.com/guides/. These resources cover various aspects of YOLO, including its architecture and image processing techniques.

  7. jdonzaGitHub

    Hello,

    Are there any tutorials showing how to train a YOLOv8 model using multiple devices for faster training? I read the instructions for YOLOv5 but got a bit lost. Step by step instructions would be greatly appreciated!

    Thank you!

    1. Glenn JocherUltralytics

      @jdonza hello,

      For training YOLOv8 using multiple devices, please refer to our Multi-GPU Training guide. It provides step-by-step instructions to help you set up and run training across multiple GPUs.

      Thank you!

    2. jdonzaGitHub

      Thank you for the response! What I am still confused with is the following line of code.

      results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

      Here are a few questions I had.

      1. I have one GPU on my computer currently. If I had another device that also had the same GPU, how does YOLO know which computer is 0 and which is 1? Is there a physical connection of some sort that needs to occur?
      2. If you had a computer with multiple GPU's, the same questions arises. How does YOLO know which is 0 and which is 1?

      Overall, I am confused with the set-up steps that need to occur before simply inputting "device=[0,1]".

      Sorry if my questions appear trivial. I am a beginner and do not have much experience with network configurations like this!

      Thanks!

    3. Glenn JocherUltralytics

      @jdonza to address your questions:

      1. YOLOv8 does not support multi-device training across different computers. Each device ID (e.g., 0, 1) refers to GPUs within the same machine.
      2. For a computer with multiple GPUs, device IDs are assigned based on the order in which GPUs are detected by the system. You can verify GPU IDs using nvidia-smi.

      For more details, please refer to the Multi-GPU Training guide.

    4. jdonzaGitHub

      Was this capability eliminated? The link you provided has a drop-down section labeled "Use Multiple Machines" which appears to provide some sort of framework to accomplish this.

    5. Glenn JocherUltralytics

      @jdonza the capability for multi-machine training is not supported in YOLOv8. The "Use Multiple Machines" section in the documentation you referenced may pertain to older versions or different contexts. For multi-GPU training on a single machine, you can use the device=[0,1] argument. If you have further questions, please refer to the Multi-GPU Training guide.

    6. Glenn JocherUltralytics

      @jdonza you're welcome! For training YOLOv8 on multiple GPUs within a single machine, you can use the device=[0,1] argument. Each GPU is identified by its ID, which you can check using nvidia-smi. Multi-machine training is not supported. For more details, please refer to the Multi-GPU Training guide.

    7. Ephraim-BryskiGitHub

      While not supported in YOLOv8, I did see reference to training across multiple computers in the YOLOv5 documentation:

      (I believe this is what jdonza was referring to before). Does this allow for training across multiple computers for YOLOv5, but is no longer supported in YOLOv8? If so, would using YOLOv5 instead of v8 be recommended for this use case? Thanks!

    8. Glenn JocherUltralytics

      Training across multiple computers is supported in YOLOv5 using DistributedDataParallel, but this feature is not available in YOLOv8. If multi-machine training is essential for your use case, using YOLOv5 would be recommended. For more details, please refer to the YOLOv5 documentation.

  8. TanWeeKangGitHub

    hi, i am doing a project about food detection. the detection results were great. however, there are some overlapping bboxes for some categories of food. some input images will have this category and some will have others. how can i apply nms to retrieve only the highest conf score of the detection and remove overlapping bboxes? i run inference on my best.pt model by giving it input images

    1. Glenn JocherUltralytics(modifié)

      Hi there! It's great to hear that your food detection project is yielding excellent results! 🎉

      To address the issue of overlapping bounding boxes, you can apply Non-Maximum Suppression (NMS) to retain only the highest confidence score detections and remove the overlapping ones. YOLO models typically handle NMS internally, but you can customize the NMS settings during inference to better suit your needs.

      Here's how you can do it:

      Using Python

      If you're running inference in a Python environment, you can set the conf (confidence threshold) and iou (IoU threshold for NMS) parameters when calling the predict method. Here's an example:

      from ultralytics import YOLO
      
      # Load your custom-trained model
      model = YOLO('path/to/best.pt')
      
      # Run inference with custom NMS settings
      results = model.predict(source='path/to/your/image.jpg', conf=0.25, iou=0.45)
      
      # Display results
      results[0].show()
      Using CLI

      If you're using the command line interface, you can specify these parameters directly in your command:

      yolo predict model=path/to/best.pt source='path/to/your/image.jpg' conf=0.25 iou=0.45
      Explanation
      • conf: This sets the minimum confidence threshold for detections. Detections with a confidence score below this value will be discarded.
      • iou: This sets the IoU threshold for NMS. Detections with an IoU greater than this value will be considered overlapping, and only the one with the highest confidence score will be kept.

      For more detailed information on inference and NMS settings, you can refer to the YOLO Predict Documentation.

      If you encounter any issues or need further assistance, please ensure you're using the latest versions of torch and ultralytics. If the problem persists, providing a minimum reproducible example would be very helpful. You can find guidelines on creating one here: Minimum Reproducible Example.

      Happy coding, and best of luck with your project! 🚀

    2. TanWeeKangGitHub

      because the goal for now is to remove overlapping, if i set the iou threshold on the high side, the image doesnt differ much from the original detected image, where there are many overlappings. if i set to a low iou threshold, more overlappings will be removed.

    3. TanWeeKangGitHub

      another thing is that for my food detection i have 5 classes/categories of food. under these 5 categories i have variety of food for each category, but i label and train the model on these 5 classes, for simplicity sake i did not go into detail about what kind of food is that, lets say meat we have fish, pork etc. the model see either of those and classify as meat. although they are from same classes, they might have different prices. now how can i use segmentation( maybe from opencv) to distinguish the image i used to run inference on my best.pt model to identify the difference in meat like fish, pork to have different prices?

    4. Glenn JocherUltralytics(modifié)

      Hi there! Thanks for reaching out and providing detailed feedback on your experience with overlapping bounding boxes in your food detection project. It's fantastic to hear that your detection results are generally great! 🎉

      To address the issue of overlapping bounding boxes, adjusting the IoU threshold is indeed a key factor. Here’s a more refined approach to help you achieve the best balance:

      Fine-Tuning IoU Threshold
      • High IoU Threshold: Retains more overlapping boxes, which might be useful if you want to ensure that no potential detections are missed.
      • Low IoU Threshold: Removes more overlapping boxes, which can help in reducing redundancy but might risk missing some detections.
      Practical Steps
      1. Experiment with Intermediate Values: Instead of setting the IoU threshold to extremes, try intermediate values (e.g., 0.3, 0.4, 0.5) to find a sweet spot that minimizes overlaps without losing important detections.
      2. Confidence Threshold: Adjust the confidence threshold (conf) to filter out low-confidence detections, which can also help in reducing overlaps.
      Example Code

      Here’s how you can apply these settings in Python:

      from ultralytics import YOLO
      
      # Load your custom-trained model
      model = YOLO('path/to/best.pt')
      
      # Run inference with custom NMS settings
      results = model.predict(source='path/to/your/image.jpg', conf=0.25, iou=0.45)
      
      # Display results
      results[0].show()

      And using the CLI:

      yolo predict model=path/to/best.pt source='path/to/your/image.jpg' conf=0.25 iou=0.45
      Additional Resources

      For more detailed guidance on optimizing your model and handling common issues, you might find the following guides helpful:

      If you continue to experience issues, please ensure you are using the latest versions of torch and ultralytics. If the problem persists, providing a minimum reproducible example would be very helpful. You can find guidelines on creating one here: Minimum Reproducible Example.

      Feel free to reach out if you have any more questions or need further assistance. Happy coding! 🚀

    5. TanWeeKangGitHub

      another thing is that for my food detection i have 5 classes/categories of food. under these 5 categories i have variety of food for each category, but i label and train the model on these 5 classes, for simplicity sake i did not go into detail about what kind of food is that, lets say meat we have fish, pork etc. the model see either of those and classify as meat. although they are from same classes, they might have different prices. now how can i use segmentation( maybe from opencv) to distinguish the image i used to run inference on my best.pt model to identify the difference in meat like fish, pork to have different prices?

    6. Glenn JocherUltralytics

      Hi there! It's fantastic to hear about your progress with food detection using YOLO. 😊

      To distinguish between different types of food within the same category (like fish and pork under "meat"), you can leverage segmentation techniques. Here's a step-by-step approach to achieve this:

      1. Segmentation with OpenCV

      You can use OpenCV to perform image segmentation, which will help you isolate different types of food within the same category. Here's a basic example of how you might use OpenCV for segmentation:

      import cv2
      import numpy as np
      
      # Load the image
      image = cv2.imread('path/to/your/image.jpg')
      
      # Convert to grayscale
      gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
      
      # Apply GaussianBlur to reduce noise and improve contour detection
      blurred = cv2.GaussianBlur(gray, (5, 5), 0)
      
      # Use Canny edge detection
      edges = cv2.Canny(blurred, 50, 150)
      
      # Find contours
      contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
      
      # Draw contours on the original image
      cv2.drawContours(image, contours, -1, (0, 255, 0), 2)
      
      # Display the result
      cv2.imshow('Segmented Image', image)
      cv2.waitKey(0)
      cv2.destroyAllWindows()
      2. Combining YOLO Detection with Segmentation

      You can combine the bounding boxes from your YOLO model with segmentation to further classify the detected objects. Here’s a conceptual approach:

      1. Run YOLO Inference: Use your trained YOLO model to detect the general categories (e.g., meat).
      2. Apply Segmentation: Within each detected bounding box, apply segmentation to isolate different types of food.
      3. Classify Segmented Regions: Use additional classification models or heuristics to distinguish between types like fish and pork.
      3. Advanced Segmentation Techniques

      For more precise segmentation, consider using advanced models like Mask R-CNN or leveraging pre-trained segmentation models available in frameworks like PyTorch or TensorFlow.

      Example with YOLO and Segmentation

      Here’s a more integrated example combining YOLO detection with OpenCV segmentation:

      from ultralytics import YOLO
      import cv2
      
      # Load your custom-trained YOLO model
      model = YOLO('path/to/best.pt')
      
      # Run inference
      results = model.predict(source='path/to/your/image.jpg', conf=0.25, iou=0.45)
      
      # Process each detected bounding box
      for result in results:
          for box in result.boxes:
              x1, y1, x2, y2 = map(int, box.xyxy[0])
              cropped_img = result.orig_img[y1:y2, x1:x2]
      
              # Convert to grayscale and apply segmentation
              gray = cv2.cvtColor(cropped_img, cv2.COLOR_BGR2GRAY)
              blurred = cv2.GaussianBlur(gray, (5, 5), 0)
              edges = cv2.Canny(blurred, 50, 150)
              contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
              cv2.drawContours(cropped_img, contours, -1, (0, 255, 0), 2)
      
              # Display the segmented image
              cv2.imshow('Segmented Image', cropped_img)
              cv2.waitKey(0)
      
      cv2.destroyAllWindows()
      Further Reading

      For more detailed guides and advanced techniques, you might find these resources helpful:

      Feel free to experiment with these techniques and adjust the parameters to better suit your specific use case. If you have any more questions or need further assistance, don't hesitate to ask. Happy coding! 🚀

  9. thisisqiuqiuqiuGitHub

    Thank you very much for your letter. Your reply is very helpful to my experimental training. I understand how to set up the basic model training. I wish you all success in your future work. 

    ------------------ 原始邮件 ------------------ 发件人: "ultralytics/ultralytics" @.>; 发送时间: 2024年5月20日(星期一) 中午12:11 @.>; @.@.>; 主题: Re: [ultralytics/ultralytics] zh/guides/ (Discussion #12787)

    Hello! The number of epochs needed for training the YOLOv8 base model can vary depending on your specific dataset and the complexity of the task. While 500 epochs might be necessary for some scenarios to achieve optimal results, it's not a strict requirement for all cases.

    A good practice is to monitor the training process for signs of convergence, such as stable validation loss and accuracy metrics. You can start with fewer epochs, like 100 or 200, and evaluate the model's performance. If the results are not satisfactory, you can continue training for more epochs or consider adjusting other hyperparameters.

    Here's a simple example to start training with a specified number of epochs: yolo train data=coco128.yaml model=yolov8n.pt epochs=100

    Adjust the epochs value as needed based on your observations. Happy training! 😊

    — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: @.***>

    1. Glenn JocherUltralytics(modifié)

      Hello! The number of epochs needed for training the YOLO base model can vary depending on your specific dataset and the complexity of the task. While 500 epochs might be necessary for some scenarios to achieve optimal results, it's not a strict requirement for all cases.

      A good practice is to monitor the training process for signs of convergence, such as stable validation loss and accuracy metrics. You can start with fewer epochs, like 100 or 200, and evaluate the model's performance. If the results are not satisfactory, you can continue training for more epochs or consider adjusting other hyperparameters.

      Here's a simple example to start training with a specified number of epochs:

      yolo train data=coco128.yaml model=yolo26n.pt epochs=100

      Adjust the epochs value as needed based on your observations. Happy training! 😊