Tutoriels complets pour Ultralytics YOLO

Bienvenue dans les guides YOLO d'Ultralytics. Nos tutoriels complets couvrent divers aspects du modèle de détection d'objets YOLO, allant de l'entraînement et de la prédiction au déploiement. Construit sur PyTorch, YOLO se distingue par sa vitesse et sa précision exceptionnelles dans les tâches de détection d'objets en temps réel.

Que vous soyez débutant ou expert en apprentissage profond, nos tutoriels offrent des informations précieuses sur l'implémentation et l'optimisation de YOLO pour vos projets de vision par ordinateur.

Regarder : Aperçu des guides Ultralytics YOLO26

Guides

Voici une compilation de guides approfondis pour vous aider à maîtriser différents aspects d'Ultralytics YOLO.

• Un guide sur le test de modèles : Un guide complet sur le test de vos modèles de vision par ordinateur dans des environnements réalistes. Apprenez à vérifier la précision, la fiabilité et les performances conformément aux objectifs du projet.
• Démarrage rapide AzureML : Démarrez rapidement avec les modèles Ultralytics YOLO sur la plateforme Azure Machine Learning de Microsoft. Apprenez à entraîner, déployer et mettre à l'échelle vos projets de détection d'objets dans le cloud.
• Bonnes pratiques pour le déploiement de modèles : Découvrez 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.
• Démarrage rapide Conda : Guide étape par étape pour la configuration d'un environnement Conda pour Ultralytics. Apprenez à installer et à commencer à utiliser efficacement le package Ultralytics avec Conda.
• Collecte et annotation de données : Explorez les outils, les techniques et les bonnes pratiques pour la collecte et l'annotation de données afin de créer des entrées de haute qualité pour vos modèles de vision par ordinateur.
• DeepStream sur NVIDIA Jetson : Guide de démarrage rapide pour le déploiement de modèles YOLO sur les dispositifs NVIDIA Jetson à l'aide de DeepStream et TensorRT.
• Définir les objectifs d'un projet de vision par ordinateur : Découvrez comment définir efficacement des objectifs clairs et mesurables pour votre projet de vision par ordinateur. Apprenez l'importance d'un énoncé de problème bien défini et comment il crée une feuille de route pour votre projet.
• Démarrage rapide Docker : Guide complet pour la configuration et l'utilisation des modèles Ultralytics YOLO avec Docker. Apprenez à installer Docker, à gérer le support GPU et à exécuter des modèles YOLO dans des conteneurs isolés pour un développement et un déploiement cohérents.
• Edge TPU sur Raspberry Pi : Google Edge TPU accélère l'inférence YOLO sur Raspberry Pi.
• Optimisation des hyperparamètres : Découvrez comment optimiser vos modèles YOLO en ajustant les hyperparamètres à l'aide de la classe Tuner et des algorithmes d'évolution génétique.
• Aperçu sur l'évaluation et l'ajustement des modèles : Obtenez des aperçus sur les stratégies et les bonnes pratiques pour l'évaluation et l'ajustement de vos modèles de vision par ordinateur. Découvrez le processus itératif d'affinage des modèles pour obtenir des résultats optimaux.
• Isolation d'objets de segmentation : Recette et explication étape par étape sur la manière d'extraire et/ou d'isoler des objets des images à l'aide de la Segmentation Ultralytics.
• Validation croisée K-Fold : Apprenez à améliorer la généralisation du modèle en utilisant la technique de validation croisée K-Fold.
• Maintenance de votre modèle de vision par ordinateur : Comprenez les pratiques clés pour la surveillance, la maintenance et la documentation des modèles de vision par ordinateur afin de garantir la précision, de détecter les anomalies et d'atténuer la dérive des données.
• Options de déploiement de modèles : Aperçu des formats de déploiement de modèles YOLO comme ONNX, OpenVINO et TensorRT, avec les avantages et les inconvénients de chacun pour éclairer votre stratégie de déploiement.
• Guide de configuration des modèles yaml : Une exploration approfondie complète des définitions d'architecture de modèle d'Ultralytics. Explorez le format yaml, comprenez le système de résolution de modules et apprenez à intégrer des modules personnalisés de manière transparente.
• NVIDIA DGX Spark : Guide de démarrage rapide pour le déploiement de modèles YOLO sur les appareils NVIDIA DGX Spark.
• NVIDIA Jetson : Guide de démarrage rapide pour le déploiement de modèles YOLO sur les dispositifs NVIDIA Jetson.
• Modes Latence vs Débit OpenVINO : Apprenez les techniques d'optimisation de la latence et du débit pour des performances maximales d'inférence YOLO.
• Prétraitement des données annotées : Découvrez le prétraitement et l'augmentation des données d'image dans les projets de vision par ordinateur utilisant YOLO26, y compris la normalisation, l'augmentation de l'ensemble de données, le fractionnement et l'analyse exploratoire des données (EDA).
• Raspberry Pi: Tutoriel de démarrage rapide pour exécuter les modèles YOLO sur le dernier matériel Raspberry Pi.
• Démarrage rapide ROS: Apprenez à intégrer YOLO au Robot Operating System (ROS) pour la détection d'objets en temps réel dans les applications robotiques, y compris les nuages de points et les images de profondeur.
• Inférence par tuiles SAHI : Guide complet sur l'exploitation des capacités d'inférence par découpage de SAHI avec YOLO26 pour la détection d'objets dans des images haute résolution.
• Étapes d'un projet de vision par ordinateur: Découvrez les étapes clés d'un projet de vision par ordinateur, notamment la définition des objectifs, la sélection des modèles, la préparation des données et l'évaluation des résultats.
• Conseils pour l'entraînement de modèles : Découvrez des conseils pour optimiser les tailles de lot, utiliser la précision mixte, appliquer des poids pré-entraînés, et bien plus encore pour faciliter l'entraînement de votre modèle de vision par ordinateur.
• Intégration du serveur d'inférence Triton : Plongez dans l'intégration d'Ultralytics YOLO26 avec le serveur d'inférence Triton de NVIDIA pour des déploiements d'inférence d'apprentissage profond évolutifs et efficaces.
• Déploiement Vertex AI avec Docker: Guide simplifié pour la conteneurisation des modèles YOLO avec Docker et leur déploiement sur Google Cloud Vertex AI—couvrant la construction, le push, l'autoscaling et la surveillance.
• Afficher les images d'inférence dans un terminal : Utilisez le terminal intégré de VSCode pour afficher les résultats d'inférence lorsque vous utilisez Remote Tunnel ou des sessions SSH.
• Problèmes courants de YOLO ⭐ RECOMMANDÉ : Solutions pratiques et conseils de dépannage pour les problèmes les plus fréquemment rencontrés lors de l'utilisation des modèles Ultralytics YOLO.
• Augmentation de données YOLO: Maîtrisez toute la gamme des techniques d'augmentation de données dans YOLO, des transformations de base aux stratégies avancées pour améliorer la robustesse et les performances du modèle.
• Métriques de performance de YOLO ⭐ ESSENTIEL : Comprendre les métriques clés telles que la mAP, l'IoU et le score F1 utilisées pour évaluer les performances de vos modèles YOLO. Comprend des exemples pratiques et des conseils sur la façon d'améliorer la précision et la vitesse de la détection.
• Inférence YOLO thread-safe: Directives pour effectuer l'inférence avec les modèles YOLO de manière thread-safe. Apprenez l'importance de la sécurité des threads et les meilleures pratiques pour prévenir les conditions de concurrence et assurer des prédictions cohérentes.

Contribuer à nos guides

Nous accueillons les contributions de la communauté ! Si vous maîtrisez un aspect particulier d'Ultralytics YOLO qui n'est pas encore abordé dans nos guides, nous vous encourageons à partager votre expertise. La rédaction d'un guide est un excellent moyen de redonner à la communauté et de nous aider à rendre notre documentation plus complète et conviviale.

Pour commencer, veuillez lire notre Guide de contribution pour des directives sur la manière d'ouvrir une Pull Request (PR). Nous attendons avec impatience vos contributions.

FAQ

Comment entraîner un modèle de détection d'objets personnalisé en utilisant Ultralytics YOLO ?

L'entraînement d'un modèle de détection d'objets personnalisé avec Ultralytics YOLO est simple. Commencez par préparer votre ensemble de données au format correct et en installant le package Ultralytics. Utilisez le code suivant pour lancer l'entraînement :

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

yolo task=detect mode=train model=yolo26n.pt data=path/to/dataset.yaml epochs=50

Pour des informations détaillées sur le formatage des ensembles de données et des options supplémentaires, consultez notre guide Conseils pour l'entraînement de modèles.

Quelles métriques de performance dois-je utiliser pour évaluer mon modèle YOLO ?

L’évaluation des performances de votre modèle YOLO est essentielle pour comprendre son efficacité. Les mesures clés comprennent la précision moyenne (mAP), l’intersection sur l’union (IoU) et le score F1. Ces mesures aident à évaluer l’exactitude et la précision des tâches de détection d’objets. Vous pouvez en apprendre davantage sur ces mesures et sur la façon d’améliorer votre modèle dans notre guide des mesures de performance YOLO.

Pourquoi devrais-je utiliser la plateforme Ultralytics pour mes projets de vision par ordinateur ?

La plateforme Ultralytics est une plateforme sans code qui simplifie la gestion, l'entraînement et le déploiement des modèles YOLO. Elle prend en charge l'intégration transparente, le suivi en temps réel et l'entraînement dans le cloud, ce qui la rend idéale pour les débutants comme pour les professionnels. Découvrez-en davantage sur ses fonctionnalités et comment elle peut optimiser votre flux de travail grâce à notre guide de démarrage rapide Ultralytics Platform.

Quels sont les problèmes courants rencontrés lors de l'entraînement d'un modèle YOLO, et comment puis-je les résoudre ?

Les problèmes courants lors de l'entraînement du modèle YOLO incluent les erreurs de formatage des données, les incompatibilités d'architecture de modèle et l'insuffisance des données d'entraînement. Pour résoudre ces problèmes, assurez-vous que votre ensemble de données est correctement formaté, vérifiez les versions de modèle compatibles et augmentez vos données d'entraînement. Pour une liste complète des solutions, consultez notre guide Problèmes courants de YOLO.

Comment puis-je déployer mon modèle YOLO pour la détection d'objets en temps réel sur des appareils edge ?

Le déploiement de modèles YOLO sur des appareils périphériques tels que NVIDIA Jetson et Raspberry Pi nécessite la conversion du modèle dans un format compatible tel que TensorRT ou TFLite. Suivez nos guides étape par étape pour les déploiements NVIDIA Jetson et Raspberry Pi afin de démarrer avec la détection d'objets en temps réel sur du matériel périphérique. Ces guides vous guideront à travers l'installation, la configuration et l'optimisation des performances.

📅 Créé il y a 2 ans ✏️ Mis à jour il y a 8 jours

Commentaires