Modes de Ultralytics YOLO26#
Introduction#
Ultralytics YOLO26 n'est pas seulement un autre modèle de détection d'objets ; c'est un framework polyvalent conçu pour couvrir l'ensemble du cycle de vie des modèles d'apprentissage automatique — de l'ingestion des données et l'entraînement du modèle jusqu'à la validation, le déploiement et le suivi en temps réel. Chaque mode sert un objectif spécifique et est conçu pour t'offrir la flexibilité et l'efficacité requises pour différentes tâches et cas d'utilisation.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
Aperçu des modes#
Comprendre les différents modes pris en charge par Ultralytics YOLO26 est essentiel pour tirer le meilleur parti de tes modèles :
- Mode Train : Entraîne ton modèle sur des jeux de données personnalisés ou préchargés.
- Mode Val : Un point de contrôle post-entraînement pour valider les performances du modèle.
- Mode Predict : Libère la puissance prédictive de ton modèle sur des données réelles.
- Mode Export : Prépare ton déploiement de modèle dans divers formats.
- Mode Track : Étends ton modèle de détection d'objets à des applications de suivi en temps réel.
- Mode Benchmark : Analyse la vitesse et la précision de ton modèle dans divers environnements de déploiement.
Ce guide complet vise à te donner une vue d'ensemble et des informations pratiques sur chaque mode, t'aidant à exploiter tout le potentiel de YOLO26.
Train#
Le mode Train est utilisé pour entraîner un modèle YOLO26 sur un jeu de données personnalisé. Dans ce mode, le modèle est entraîné en utilisant le jeu de données et les hyperparamètres spécifiés. Le processus d'entraînement implique l'optimisation des paramètres du modèle afin qu'il puisse prédire avec précision les classes et les emplacements des objets dans une image. L'entraînement est essentiel pour créer des modèles capables de reconnaître des objets spécifiques pertinents pour ton application.
Val#
Le mode Val est utilisé pour valider un modèle YOLO26 après son entraînement. Dans ce mode, le modèle est évalué sur un jeu de validation pour mesurer sa précision et ses performances de généralisation. La validation aide à identifier les problèmes potentiels tels que le surapprentissage et fournit des métriques telles que la précision moyenne moyenne (mAP) pour quantifier les performances du modèle. Ce mode est crucial pour régler les hyperparamètres et améliorer l'efficacité globale du modèle.
Predict#
Le mode Predict est utilisé pour effectuer des prédictions en utilisant un modèle YOLO26 entraîné sur de nouvelles images ou vidéos. Dans ce mode, le modèle est chargé à partir d'un fichier de point de contrôle, et tu peux fournir des images ou des vidéos pour effectuer une inférence. Le modèle identifie et localise les objets dans les médias d'entrée, le rendant prêt pour des applications concrètes. Le mode Predict est la porte d'entrée pour appliquer ton modèle entraîné afin de résoudre des problèmes pratiques.
Export#
Le mode Export est utilisé pour convertir un modèle YOLO26 dans des formats adaptés au déploiement sur différentes plateformes et appareils. Ce mode transforme ton modèle PyTorch en formats optimisés comme ONNX, TensorRT ou CoreML, permettant un déploiement dans des environnements de production. L'exportation est essentielle pour intégrer ton modèle avec diverses applications logicielles ou appareils matériels, entraînant souvent des améliorations de performances significatives.
Track#
Le mode Track étend les capacités de détection d'objets de YOLO26 pour suivre des objets à travers des cadres vidéo ou des flux en direct. Ce mode est particulièrement précieux pour les applications nécessitant une identification persistante des objets, telles que les surveillance systems ou les self-driving cars. Il comprend six traceurs : TrackTrack (par défaut), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT et FastTracker.
Benchmark#
Le mode Benchmark profile la vitesse et la précision de divers formats d'exportation pour YOLO26. Ce mode fournit des métriques complètes sur la taille du modèle, la précision (mAP50-95 pour les tâches de détection ou accuracy_top1 pour la classification) et le temps d'inférence à travers différents formats comme ONNX, OpenVINO et TensorRT. Le benchmarking t'aide à sélectionner le format d'exportation optimal en fonction de tes exigences spécifiques en matière de vitesse et de précision dans ton environnement de déploiement.
FAQ#
Ultralytics YOLO26 utilise diverses métriques pendant le processus de validation pour évaluer les performances du modèle. Celles-ci incluent :
- mAP (précision moyenne) : Cela évalue la précision de la détection d'objets.
- IOU (Intersection sur Union) : Mesure le chevauchement entre les boîtes englobantes prédites et réelles.
- Précision et Rappel : La précision mesure le rapport des détections positives vraies sur le total des positifs détectés, tandis que le rappel mesure le rapport des détections positives vraies sur le total des positifs réels.
Tu peux exécuter la commande suivante pour lancer la validation :
Exemplefrom ultralytics import YOLO # Load a pretrained or custom YOLO model model = YOLO("yolo26n.pt") # Run validation on your dataset model.val(data="path/to/validation.yaml")Consulte le Guide de validation pour plus de détails.
Ultralytics YOLO26 offre une fonctionnalité d'exportation pour convertir ton modèle entraîné en divers formats de déploiement tels que ONNX, TensorRT, CoreML, et plus encore. Utilise l'exemple suivant pour exporter ton modèle :
Exemplefrom ultralytics import YOLO # Load your trained YOLO model model = YOLO("yolo26n.pt") # Export the model to ONNX format (you can specify other formats as needed) model.export(format="onnx")Les étapes détaillées pour chaque format d'exportation se trouvent dans le Guide d'exportation.
Le mode Benchmark dans Ultralytics YOLO26 est utilisé pour analyser la vitesse et la précision de divers formats d'exportation tels que ONNX, TensorRT et OpenVINO. Il fournit des métriques telles que la taille du modèle,
mAP50-95pour la détection d'objets et le temps d'inférence à travers différentes configurations matérielles, t'aidant à choisir le format le plus adapté à tes besoins de déploiement.Exemplefrom ultralytics.utils.benchmarks import benchmark # Run benchmark on GPU (device 0) # You can adjust parameters like model, dataset, image size, and precision as needed benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)Pour plus de détails, consulte le Guide Benchmark.
Le suivi d'objets en temps réel peut être réalisé en utilisant le mode track dans Ultralytics YOLO26. Ce mode étend les capacités de détection d'objets pour suivre les objets à travers des images vidéo ou des flux en direct. Utilise l'exemple suivant pour activer le suivi :
Exemplefrom ultralytics import YOLO # Load a pretrained YOLO model model = YOLO("yolo26n.pt") # Start tracking objects in a video # You can also use live video streams or webcam input model.track(source="path/to/video.mp4")Pour des instructions approfondies, visite le Guide Track.
L'entraînement d'un modèle personnalisé de détection d'objets avec Ultralytics YOLO26 implique l'utilisation du mode train. Tu as besoin d'un jeu de données formaté au format YOLO, contenant des images et des fichiers d'annotation correspondants. Utilise la commande suivante pour démarrer le processus d'entraînement :
Pour des instructions plus détaillées, tu peux consulter le Guide d'entraînement Ultralytics.