Tutoriels complets sur 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.
- 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.
- Métriques de performance de YOLO ⭐ ESSENTIEL : Comprendre les métriques clés comme mAP, IoU et le score F1 utilisées pour évaluer la performance de vos modèles YOLO. Inclut des exemples pratiques et des conseils sur la façon d'améliorer la précision et la vitesse de détection.
- Inférence thread-safe de YOLO 🚀 NOUVEAU : Instructions pour effectuer l'inférence avec les modèles 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 des prédictions cohérentes.
- Augmentation des données YOLO 🚀 NOUVEAU : Maîtrisez toute la gamme des techniques d'augmentation des données dans YOLO, des transformations de base aux stratégies avancées pour améliorer la robustesse et les performances du modèle.
- 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.
- Validation croisée K-Fold 🚀 NOUVEAU : Apprenez à améliorer la généralisation du modèle en utilisant la technique de validation croisée K-Fold.
- Réglage des hyperparamètres 🚀 NOUVEAU : Découvrez comment optimiser vos modèles YOLO en affinant les hyperparamètres à l'aide de la classe Tuner et des algorithmes d'évolution génétique.
- Inférence en tuiles SAHI 🚀 NOUVEAU : Guide complet sur l'exploitation des capacités d'inférence en tranches de SAHI avec YOLO11 pour la détection d'objets dans les images à haute résolution.
- Démarrage rapide AzureML 🚀 NOUVEAU : Démarrez rapidement avec les modèles Ultralytics YOLO sur la plateforme Machine Learning Azure de Microsoft. Apprenez à entraîner, déployer et mettre à l'échelle vos projets de détection d'objets dans le cloud.
- Démarrage rapide Conda 🚀 NOUVEAU : Guide étape par étape pour configurer un environnement Conda pour Ultralytics. Apprenez à installer et à commencer à utiliser efficacement le package Ultralytics avec Conda.
- Démarrage rapide Docker 🚀 NOUVEAU : Guide complet pour configurer et utiliser les 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.
- Raspberry Pi 🚀 NOUVEAU : Tutoriel de démarrage rapide pour exécuter les modèles YOLO sur le dernier matériel Raspberry Pi.
- NVIDIA Jetson 🚀 NOUVEAU : Guide de démarrage rapide pour le déploiement de modèles YOLO sur les appareils NVIDIA Jetson.
- DeepStream sur NVIDIA Jetson 🚀 NOUVEAU : Guide de démarrage rapide pour le déploiement de modèles YOLO sur les appareils NVIDIA Jetson à l'aide de DeepStream et TensorRT.
- Intégration du serveur d'inférence Triton 🚀 NOUVEAU : Plongez dans l'intégration d'Ultralytics YOLO11 avec le serveur d'inférence Triton de NVIDIA pour des déploiements d'inférence d'apprentissage profond évolutifs et efficaces.
- Isolation d'objets de segmentation 🚀 NOUVEAU : Procédure pas à pas et explication sur la façon d'extraire et/ou d'isoler des objets d'images à l'aide de la segmentation Ultralytics.
- Edge TPU sur Raspberry Pi : Google Edge TPU accélère l'inférence YOLO sur Raspberry Pi.
- 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.
- Modes Latence vs Débit d'OpenVINO - Découvrez les techniques d'optimisation de la latence et du débit pour des performances d'inférence YOLO optimales.
- Démarrage rapide de ROS 🚀 NOUVEAU : Découvrez comment 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.
- Étapes d'un projet de vision par ordinateur :arrow_forward: NOUVEAU : 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.
- Définir les objectifs d'un projet de vision par ordinateur 🚀 NOUVEAU : Découvrez comment définir efficacement des objectifs clairs et mesurables pour votre projet de vision par ordinateur. Découvrez l'importance d'un énoncé de problème bien défini et comment il crée une feuille de route pour votre projet.
- Collecte et annotation de données 🚀 NOUVEAU : Explorez 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.
- Prétraitement des données annotées 🚀 NOUVEAU : Découvrez le prétraitement et l'augmentation des données d'image dans les projets de vision par ordinateur à l'aide de YOLO11, y compris la normalisation, l'augmentation de l'ensemble de données, la division et l'analyse exploratoire des données (EDA).
- Conseils pour l'entraînement de modèles 🚀 NOUVEAU : Découvrez des conseils sur l'optimisation des tailles de lots, l'utilisation de la précision mixte, l'application de poids pré-entraînés, et bien plus encore pour faciliter l'entraînement de votre modèle de vision par ordinateur.
- Aperçus sur l'évaluation et le réglage fin des modèles 🚀 NOUVEAU : Obtenez des informations sur les stratégies et les meilleures pratiques pour évaluer et affiner vos modèles de vision par ordinateur. Découvrez le processus itératif d'affinage des modèles pour obtenir des résultats optimaux.
- Un guide sur les tests de modèles 🚀 NOUVEAU : Un guide complet sur les tests de vos modèles de vision par ordinateur dans des environnements réalistes. Découvrez comment vérifier l'exactitude, la fiabilité et les performances conformément aux objectifs du projet.
- Meilleures pratiques pour le déploiement de modèles 🚀 NOUVEAU : 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.
- Maintenance de votre modèle de vision par ordinateur 🚀 NOUVEAU : Comprendre les pratiques clés pour surveiller, maintenir et documenter les modèles de vision par ordinateur afin de garantir l'exactitude, de détecter les anomalies et d'atténuer la dérive des données.
- Déploiement de Vertex AI avec Docker 🚀 NOUVEAU : Guide simplifié pour conteneuriser les modèles YOLO avec Docker et les déployer sur Google Cloud Vertex AI, couvrant la construction, le push, l'autoscaling et la surveillance.
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 manière d'ouvrir une demande dePull Request (PR) 🛠️. Nous attendons vos contributions avec impatience !
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 :
Exemple
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 moyenne (mAP), l'intersection sur union (IoU) et le score F1. Ces mesures aident à évaluer la précision et la précision des tâches de détection d'objets. Vous pouvez en savoir plus sur ces mesures et sur la façon d'améliorer votre modèle dans notre guide 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 pour démarrer avec la détection d'objets en temps réel sur le matériel périphérique. Ces guides vous guideront à travers l'installation, la configuration et l'optimisation des performances.
