Ultralytics YOLO Foire aux questions (FAQ)

Cette section de la FAQ répond aux 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 qu'est-ce qu'il offre ?

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). Leurs offres comprennent :

• Les implémentations open-source de YOLOv5 et YOLOv8
• Un large éventail de modèles pré-entraînés pour diverses tâches de vision par ordinateur.
• Un ensemble complet dePython pour une intégration transparente des modèles YOLO dans les projets.
• Outils polyvalents pour la formation, les tests et le déploiement de modèles.
• Une documentation complète et une communauté d'entraide

Comment installer le paquet Ultralytics ?

L'installation du paquetage Ultralytics est simple à l'aide de pip :

pip install ultralytics

Pour la dernière version de développement, installe-toi directement depuis le dépôt GitHub :

pip install git+https://github.com/ultralytics/ultralytics.git

Tu trouveras des instructions d'installation détaillées dans le guide de démarrage rapide.

Quelle est la configuration requise pour faire fonctionner 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+
• 8 GO + DE RAM
• 50 Go+ d’espace disque libre (pour le stockage des jeux de données et l’entraînement des modèles)

Pour le dépannage des problèmes courants, visite la page YOLO Common Issues.

Comment puis-je entraîner un modèle YOLOv8 personnalisé sur mon propre ensemble de données ?

Pour entraîner un custom YOLOv8 modèle:

1. Préparez votre jeu de données dans YOLO (images et fichiers txt d’étiquettes correspondants).
2. Créez un fichier YAML décrivant la structure et les classes de votre jeu de données.
3. Utilisez les éléments suivants Python Code pour commencer l’entraînement :

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, reporte-toi au guide de formation complet.

Quels sont les modèles préformés disponibles sur Ultralytics?

Ultralytics offre une gamme variée de modèles YOLOv8 pré-entraînés pour diverses tâches :

• Détection d’objets : YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x
• Segmentation des instances : YOLOv8n-Seg YOLOv8s-Seg YOLOv8m-Seg YOLOv8l-Seg YOLOv8x-Seg
• Classification: YOLOv8n-Cls YOLOv8s-Cls YOLOv8m-Cls YOLOv8l-Cls YOLOv8x-Cls

Ces modèles varient en taille et en complexité, offrant différents compromis entre vitesse et précision. Explore la gamme complète de modèles pré-entraînés pour trouver celui qui convient le mieux à ton projet.

Comment puis-je effectuer une inférence à l'aide d'un modèle Ultralytics formé ?

Pour effectuer une inférence avec un modèle entraîné :

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, consulte le guide détaillé des prédictions.

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 plateformes :

• Appareils périphériques : Optimise l'inférence sur les appareils tels que NVIDIA Jetson ou Intel Neural Compute Stick en utilisant TensorRT, ONNX, ou OpenVINO.
• Mobile : Déploie sur les appareils Android ou iOS en convertissant les modèles en TFLite ou Core ML.
• Nuage : Tire parti de structures telles que TensorFlow Serving ou PyTorch Serve pour des déploiements évolutifs dans le nuage.
• Web : Implémente l'inférence dans le navigateur en utilisant ONNX.js ou TensorFlow.js.

Ultralytics propose des fonctions d'exportation pour convertir les modèles dans différents formats en vue de leur déploiement. Explore la vaste gamme d'options de déploiement pour trouver la meilleure solution pour ton cas d'utilisation.

Quelle est la différence entre YOLOv5 et YOLOv8?

Les principales distinctions sont les suivantes :

• Architecture : YOLOv8 présente une conception améliorée de l'épine dorsale et de la tête pour de meilleures performances.
• Performance : YOLOv8 offre généralement une précision et une rapidité supérieures à celles de YOLOv5.
• Tâches : YOLOv8 prend en charge de manière native la détection d'objets, la segmentation d'instances et la classification dans un cadre unifié.
• Base de code : YOLOv8 est implémenté avec une architecture plus modulaire et extensible, facilitant la personnalisation et l'extension.
• Formation : YOLOv8 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, visite la page de comparaison YOLOv5 vs YOLOv8.

Comment puis-je contribuer au projet open-source Ultralytics ?

Contribuer à Ultralytics est un excellent moyen d'améliorer le projet et d'élargir tes compétences. Voici comment tu peux participer :

1. Forkez le Ultralytics sur GitHub.
2. Créez une nouvelle branche pour votre fonctionnalité ou correction de bogue.
3. Apportez vos modifications et assurez-vous que tous les tests réussissent.
4. Envoyez une demande de tirage avec une description claire de vos modifications.
5. Participer au processus de révision du code.

Tu peux aussi contribuer en signalant des bogues, en suggérant des fonctionnalités ou en améliorant la documentation. Pour des directives détaillées et des bonnes pratiques, consulte le guide de contribution.

Comment installer le paquet Ultralytics dans Python?

L'installation du paquet Ultralytics dans Python est simple. Utilise pip en exécutant la commande suivante dans ton terminal ou dans l'invite de commande :

pip install ultralytics

Pour la version de développement de pointe, installe-toi directement depuis le dépôt GitHub :

pip install git+https://github.com/ultralytics/ultralytics.git

Pour les instructions d'installation spécifiques à l'environnement et les conseils de dépannage, consulte le guide de démarrage rapide complet.

Quelles sont les principales caractéristiques de Ultralytics YOLO ?

Ultralytics YOLO se targue d'un riche ensemble de fonctions pour la détection avancée d'objets et la segmentation d'images :

• Détection en temps réel : Détecte et classe efficacement les objets dans des scénarios en temps réel.
• Modèles pré-entraînés : Accède à une variété de modèles pré-entraînés qui équilibrent la vitesse et la précision pour différents cas d'utilisation.
• Formation personnalisée : Affine facilement les modèles sur des ensembles de données personnalisés grâce au pipeline de formation flexible.
• Options de déploiement étendues : Exporte les modèles vers divers formats tels que TensorRT, ONNX, et CoreML pour les déployer sur différentes plates-formes.
• Documentation complète : Bénéficie d'une documentation complète et d'une communauté de soutien pour te guider dans ton parcours de vision par ordinateur.

Explore la page des modèlesYOLO pour un examen approfondi des capacités et des architectures des différentes versions de YOLO .

Comment puis-je améliorer les performances de mon modèle YOLO ?

L'amélioration des performances de ton modèle YOLO peut être obtenue grâce à plusieurs techniques :

1. Réglage des hyperparamètres : Expérimente différents hyperparamètres à l'aide du Guide de réglage des hyperparamètres pour optimiser les performances du modèle.
2. Augmentation des données : Mets en œuvre des techniques telles que le retournement, l'échelle, la rotation et les ajustements de couleur pour améliorer ton ensemble de données d'entraînement et améliorer la généralisation du modèle.
3. Apprentissage par transfert : Utilise des modèles pré-entraînés et affine-les sur ton jeu de données spécifique à l'aide du guide Train YOLOv8.
4. Exporter vers des formats efficaces : Convertis ton modèle dans des formats optimisés comme TensorRT ou ONNX pour une inférence plus rapide en utilisant le guide d'exportation.
5. Analyse comparative : Utilise le mode repère pour mesurer et améliorer systématiquement la vitesse et la précision des inférences.

Puis-je déployer les modèles Ultralytics YOLO sur les appareils mobiles et périphériques ?

Oui, les modèles Ultralytics YOLO sont conçus pour un déploiement polyvalent, y compris pour les appareils mobiles et périphériques :

• Mobile : Convertis les modèles en TFLite ou CoreML pour une intégration transparente dans les applications Android ou iOS . Reporte-toi au guide d'intégration TFLite et au guide d'intégrationCoreML pour obtenir des instructions spécifiques à chaque plateforme.
• Périphériques de périphérie : Optimise 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 de la périphérie.

Pour un aperçu complet des stratégies de déploiement sur les différentes plateformes, consulte 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 :

1. Charge le modèle :

from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")

1. Exécute 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, reporte-toi au guide de prédiction détaillé.

Où puis-je trouver des exemples et des tutoriels pour utiliser Ultralytics?

Ultralytics fournit une foule de ressources pour t'aider à démarrer et à maîtriser leurs outils :

• 📚 Documentation officielle: Des guides complets, des références d'API et des meilleures pratiques.
• 💻 Dépôt GitHub: Code source, scripts d'exemple et contributions de la communauté.
• ✍️ Ultralytics blog: Articles approfondis, cas d'utilisation et aperçus techniques.
• 💬 Forums de la communauté: Connecte-toi avec d'autres utilisateurs, pose des questions et partage tes expériences.
• 🎥 Chaîne YouTube: Tutoriels vidéo, démos 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 à l'aide des modèles Ultralytics .

Si tu as besoin d'aide supplémentaire, n'hésite pas à consulter la documentation de Ultralytics ou à contacter la communauté par le biais de GitHub Issues ou du forum de discussion officiel.

Commentaires