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 exceptionnelle et sa précision 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. Plongeons-nous dedans !

Regarder : Aperçu des guides Ultralytics YOLO11

Guides

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

• Guide sur les tests de modèles: guide complet sur les tests de vos modèles de vision par ordinateur dans des conditions réalistes. Apprenez à vérifier la précision, la fiabilité et les performances en fonction des objectifs du projet.
• Guide de démarrage rapide AzureML: lancez-vous avecYOLO Ultralytics sur la plateforme Azure Machine Learning Microsoft. Découvrez comment former, déployer et faire évoluer vos projets de détection d'objets dans le cloud.
• Meilleures pratiques pour le déploiement de modèles: découvrez des conseils et des meilleures 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.
• Guide de démarrage rapide Conda: guide étape par étape pour configurer un environnement Conda pour Ultralytics. Apprenez à installer et à utiliser efficacement le Ultralytics avec Conda.
• Collecte et annotation des données: découvrez les outils, les techniques et les meilleures pratiques pour collecter et annoter des données afin de créer des entrées de haute qualité pour vos modèles de vision par ordinateur.
• DeepStream sur NVIDIA : guide de démarrage rapide pour le déploiement YOLO sur des appareils NVIDIA 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'une formulation claire du problème et comment cela permet de créer une feuille de route pour votre projet.
• Guide de démarrage rapide Docker: guide complet pour configurer et utiliserYOLO Ultralytics YOLO avec Docker. Découvrez comment installer Docker, gérer GPU et exécuter 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.
• Réglage des hyperparamètres: découvrez comment optimiser vos YOLO en ajustant les hyperparamètres à l'aide de la classe Tuner et d'algorithmes d'évolution génétique.
• Aperçu de l'évaluation et du réglage des modèles: découvrez les stratégies et les meilleures pratiques pour évaluer et régler vos modèles de vision par ordinateur. Découvrez le processus itératif de perfectionnement des modèles afin d'obtenir des résultats optimaux.
• Isolation d'objets segmentés: recette étape par étape et explication sur la manière d'extraire et/ou d'isoler des objets à partir d'images à l'aide Ultralytics .
• Validation croisée K-Fold: découvrez comment améliorer la généralisation des modèles à l'aide de la technique de validation croisée K-Fold.
• Maintenir votre modèle de vision par ordinateur: Comprenez les pratiques clés pour surveiller, maintenir et documenter les modèles de vision par ordinateur afin de garantir leur précision, détecter les anomalies et 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 YAML du modèle: une analyse approfondie et complète des définitions de l'architecture Ultralytics modèle Ultralytics. Découvrez le format YAML, comprenez le système de résolution des modules et apprenez à intégrer de manière transparente des modules personnalisés.
• NVIDIA : guide de démarrage rapide pour le déploiement YOLO sur les appareils NVIDIA .
• ModesOpenVINO et de débitOpenVINO : découvrez les techniques d'optimisation de la latence et du débit pour obtenir des performances YOLO optimales.
• Prétraitement des données annotées: découvrez le prétraitement et l'enrichissement des données d'images dans les projets de vision par ordinateur à l'aide de YOLO11, notamment la normalisation, l'enrichissement des ensembles de données, le fractionnement et l'analyse exploratoire des données (EDA).
• Raspberry Pi: tutoriel de démarrage rapide pour exécuter YOLO sur le dernier matériel Raspberry Pi.
• ROS Quickstart: découvrez comment intégrer YOLO système d'exploitation robotique (ROS) pour la détection d'objets en temps réel dans les applications robotiques, y compris les images de nuages de points et de profondeur.
• SAHI Tiled Inference: guide complet sur l'utilisation des capacités d'inférence segmentée de SAHI avec YOLO11 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 des modèles: découvrez des conseils pour optimiser la taille des lots, utiliser la précision mixte, appliquer des poids pré-entraînés et bien plus encore afin de faciliter l'entraînement de votre modèle de vision par ordinateur.
• Intégration du serveurTriton : découvrez l'intégration Ultralytics YOLO11 le serveur Triton NVIDIA pour des déploiements d'inférence d'apprentissage profond évolutifs et efficaces.
• Déploiement de Vertex AI avec Docker: guide simplifié pour conteneuriser YOLO avec Docker et les déployer sur Google Vertex AI, couvrant la création, la mise à jour, 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.
• AugmentationYOLO : maîtrisez toute la gamme des techniques d'augmentation des données dans YOLO, des transformations de base aux stratégies avancées visant à améliorer la robustesse et les performances des modèles.
• 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.
• InférenceYOLO : directives pour effectuer des inférences avec YOLO de manière thread-safe. Découvrez l'importance de la sécurité des threads et les meilleures pratiques pour éviter les conditions de concurrence et garantir la cohérence des prédictions.

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 connaître les directives sur la façon d'ouvrir une demande de Pull (PR) 🛠️. Nous attendons avec impatience vos contributions !

Travaillons ensemble pour rendre l'écosystème Ultralytics YOLO plus robuste et polyvalent 🙏 !

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("yolo11n.pt")  # Load a pre-trained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

yolo task=detect mode=train model=yolo11n.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 Ultralytics HUB pour mes projets de vision par ordinateur ?

Ultralytics HUB est une plateforme sans code qui simplifie la gestion, l'entraînement et le déploiement des modèles YOLO. Il prend en charge l'intégration transparente, le suivi en temps réel et l'entraînement dans le cloud, ce qui le rend idéal pour les débutants et les professionnels. Découvrez plus d'informations sur ses fonctionnalités et sur la façon dont il peut rationaliser votre flux de travail grâce à notre guide de démarrage rapide Ultralytics HUB.

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 1 jour

Commentaires