Ultralytics YOLO Foire aux questions (FAQ)
Cette section FAQ aborde les questions et problèmes courants que les utilisateurs peuvent rencontrer lorsqu'ils travaillent avec des référentiels. Ultralytics YOLO les référentiels.
FAQ
Qu'est-ce que Ultralytics et que propose-t-il ?
Ultralytics est une société de vision artificielle spécialisée dans la détection d'objets et les modèles de segmentation d'images, avec un accent particulier sur la famille YOLO (You Only Look Once). L'entreprise propose notamment les produits suivants
- Les implémentations libres de YOLO11 et YOLO11
- Un large éventail de modèles pré-entraînés pour diverses tâches de vision par ordinateur
- Un paquet complet Python pour une intégration transparente des modèles YOLO dans les projets
- Des outils polyvalents pour former, tester et déployer des modèles
- Une documentation complète et une communauté d'entraide
Comment installer le paquet Ultralytics ?
L'installation du paquetage Ultralytics est simple Ă l'aide de pip :
Pour la dernière version de développement, installez-la directement depuis le dépôt GitHub :
Des instructions d'installation détaillées sont disponibles dans le guide de démarrage rapide.
Quelle est la configuration requise pour utiliser les modèles Ultralytics ?
Exigences minimales :
- Python 3.7+
- PyTorch 1.7+
- CUDAcompatible GPU (pour l'accélération de GPU )
Configuration recommandée :
- Python 3.8+
- PyTorch 1.10+
- NVIDIA GPU avec CUDA 11.2+
- 8GB+ RAM
- Plus de 50 Go d'espace disque disponible (pour le stockage des données et l'apprentissage des modèles)
Pour résoudre les problèmes courants, consultez la page YOLO Common Issues (problèmes courants).
Comment puis-je entraîner un modèle YOLO11 personnalisé sur mon propre ensemble de données ?
Pour former un modèle personnalisé YOLO11 :
- Préparez votre jeu de données au format YOLO (images et fichiers txt des étiquettes correspondantes).
- Créez un fichier YAML décrivant la structure et les classes de votre jeu de données.
- Utilisez le code Python suivant pour commencer la formation :
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.yaml") # build a new model from scratch
model = YOLO("yolov8n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)
Pour un guide plus approfondi, comprenant la préparation des données et les options de formation avancée, consultez le guide de formation complet.
Quels sont les modèles pré-entraînés disponibles sur Ultralytics?
Ultralytics offre une gamme variée de modèles YOLO11 pré-entraînés pour diverses tâches :
- DĂ©tection d'objets : YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x
- Segmentation de l'instance: YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
- Classification : YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls
Ces modèles varient en taille et en complexité, offrant différents compromis entre vitesse et précision. Explorez la gamme complète de modèles pré-entraînés pour trouver celui qui convient le mieux à votre projet.
Comment effectuer une inférence à l'aide d'un modèle Ultralytics formé ?
Pour effectuer une inférence avec un modèle formé :
from ultralytics import YOLO
# Load a model
model = YOLO("path/to/your/model.pt")
# Perform inference
results = model("path/to/image.jpg")
# Process results
for r in results:
print(r.boxes) # print bbox predictions
print(r.masks) # print mask predictions
print(r.probs) # print class probabilities
Pour les options d'inférence avancées, y compris le traitement par lots et l'inférence vidéo, consultez le guide de prédiction détaillé.
Les modèles Ultralytics peuvent-ils être déployés sur des appareils périphériques ou dans des environnements de production ?
Absolument ! Les modèles Ultralytics sont conçus pour un déploiement polyvalent sur différentes plates-formes :
- Périphériques de pointe : Optimisez l'inférence sur des appareils tels que NVIDIA Jetson ou Intel Neural Compute Stick en utilisant TensorRT, ONNX, ou OpenVINO.
- Mobile : Déployez sur les appareils Android ou iOS en convertissant les modèles en TFLite ou Core ML.
- Le nuage : Tirez parti de cadres tels que TensorFlow Serving ou PyTorch Serve pour des déploiements évolutifs dans le nuage.
- Web : Mettre en œuvre l'inférence dans le navigateur à l'aide de ONNX.js ou TensorFlow.js.
Ultralytics propose des fonctions d'exportation permettant de convertir les modèles dans différents formats en vue de leur déploiement. Explorez le large éventail d'options de déploiement pour trouver la solution la mieux adaptée à votre cas d'utilisation.
Quelle est la différence entre YOLOv8 et YOLO11?
Les principales distinctions sont les suivantes
- Architecture : YOLO11 présente une conception améliorée de l'épine dorsale et de la tête pour des performances accrues.
- Performance : YOLO11 offre généralement une précision et une rapidité supérieures à celles de YOLOv8.
- Tâches : YOLO11 prend en charge de manière native la détection d'objets, la segmentation d'instances et la classification dans un cadre unifié.
- Base de code : YOLO11 est mis en Ĺ“uvre avec une architecture plus modulaire et extensible, facilitant la personnalisation et l'extension.
- Formation : YOLO11 intègre des techniques de formation avancées telles que la formation multi-dataset et l'évolution des hyperparamètres pour améliorer les résultats.
Pour une comparaison approfondie des caractéristiques et des mesures de performance, visitez la page de comparaison YOLO page de comparaison.
Comment puis-je contribuer au projet open-source Ultralytics ?
Contribuer à Ultralytics est un excellent moyen d'améliorer le projet et d'élargir vos compétences. Voici comment vous pouvez participer :
- Créer un lien vers le dépôt Ultralytics sur GitHub.
- Créez une nouvelle branche pour votre fonctionnalité ou votre correction de bogue.
- Apportez vos modifications et assurez-vous que tous les tests sont réussis.
- Soumettez une demande d'extraction avec une description claire de vos changements.
- Participer au processus de révision du code.
Vous pouvez également contribuer en signalant des bogues, en suggérant des fonctionnalités ou en améliorant la documentation. Pour des lignes directrices détaillées et les meilleures pratiques, consultez le guide de contribution.
Comment installer le paquet Ultralytics dans Python?
L'installation du paquet Ultralytics dans Python est simple. Utilisez pip en exécutant la commande suivante dans votre terminal ou votre invite de commande :
Pour la version de développement la plus récente, installez-la directement à partir du dépôt GitHub :
Pour des instructions d'installation spécifiques à l'environnement et des conseils de dépannage, consultez le guide de démarrage rapide complet.
Quelles sont les principales caractéristiques de Ultralytics YOLO ?
Ultralytics YOLO dispose d'un riche ensemble de fonctionnalités pour la détection avancée d'objets et la segmentation d'images :
- Détection en temps réel : Détecter et classer efficacement les objets dans des scénarios en temps réel.
- Modèles pré-entraînés : Accédez à une variété de modèles pré-entraînés qui équilibrent la vitesse et la précision pour différents cas d'utilisation.
- Formation personnalisée : Ajustez facilement les modèles sur des ensembles de données personnalisés grâce à la souplesse du pipeline de formation.
- Options de déploiement étendues : Exportation des modèles vers différents formats tels que TensorRT, ONNX, et CoreML pour un déploiement sur différentes plates-formes.
- Documentation complète : Bénéficiez d'une documentation complète et d'une communauté de soutien pour vous guider dans votre parcours de vision par ordinateur.
Explorez la page des modèlesYOLO pour un aperçu approfondi des capacités et des architectures des différentes versions de YOLO .
Comment puis-je améliorer les performances de mon modèle YOLO ?
Plusieurs techniques permettent d'améliorer les performances de votre modèle YOLO :
- Réglage des hyperparamètres: Expérimentez différents hyperparamètres à l'aide du Guide de réglage des hyperparamètres pour optimiser les performances du modèle.
- Augmentation des données: Mettez en œuvre des techniques telles que le retournement, la mise à l'échelle, la rotation et l'ajustement des couleurs pour améliorer votre ensemble de données d'apprentissage et la généralisation du modèle.
- Apprentissage par transfert: Exploitez les modèles pré-entraînés et affinez-les sur votre ensemble de données spécifique à l'aide du guide Train YOLO11.
- Exportation vers des formats efficaces : Convertissez votre modèle dans des formats optimisés tels que TensorRT ou ONNX pour une inférence plus rapide à l'aide du guide d'exportation.
- Benchmarking : Utilisez le mode Benchmark pour mesurer et améliorer systématiquement la vitesse et la précision des inférences.
Puis-je déployer les modèles Ultralytics YOLO sur des appareils mobiles et périphériques ?
Oui, les modèles Ultralytics YOLO sont conçus pour un déploiement polyvalent, y compris pour les appareils mobiles et périphériques :
- Mobile : Convertissez les modèles en TFLite ou CoreML pour une intégration transparente dans les applications Android ou iOS . Reportez-vous au guide d'intégration TFLite et au guide d'intégrationCoreML pour obtenir des instructions spécifiques à chaque plateforme.
- Périphériques de périphérie : Optimisez l'inférence sur des appareils tels que NVIDIA Jetson ou d'autres matériels de périphérie en utilisant TensorRT ou ONNX. Le guide d'intégration Edge TPU fournit des étapes détaillées pour le déploiement en périphérie.
Pour un aperçu complet des stratégies de déploiement sur les différentes plateformes, consultez le guide des options de déploiement.
Comment puis-je effectuer une inférence à l'aide d'un modèle Ultralytics YOLO formé ?
L'inférence à l'aide d'un modèle Ultralytics YOLO formé est simple :
- Charger le modèle :
- Exécuter l'inférence :
results = model("path/to/image.jpg")
for r in results:
print(r.boxes) # print bounding box predictions
print(r.masks) # print mask predictions
print(r.probs) # print class probabilities
Pour les techniques d'inférence avancées, y compris le traitement par lots, l'inférence vidéo et le prétraitement personnalisé, reportez-vous au guide de prédiction détaillé.
OĂą puis-je trouver des exemples et des tutoriels pour l'utilisation de Ultralytics?
Ultralytics propose une multitude de ressources pour vous aider à démarrer et à maîtriser leurs outils :
- 📚 Documentation officielle: Guides complets, références API et meilleures pratiques.
- 💻 Dépôt GitHub: Code source, scripts d'exemple et contributions de la communauté.
- ✍️ Ultralytics blog: Articles détaillés, cas d'utilisation et informations techniques.
- 💬 Forums communautaires: Entrez en contact avec d'autres utilisateurs, posez des questions et partagez vos expériences.
- 🎥 Chaîne YouTube: Tutoriels vidéo, démonstrations et webinaires sur divers sujets Ultralytics .
Ces ressources fournissent des exemples de code, des cas d'utilisation réels et des guides étape par étape pour diverses tâches utilisant les modèles Ultralytics .
Si vous avez besoin d'aide, n'hésitez pas à consulter la documentation de Ultralytics ou à contacter la communauté via GitHub Issues ou le forum de discussion officiel.
