Ultralytics YOLOv8 Modes
Introduction
Ultralytics YOLOv8 n'est pas simplement un autre modèle de détection d'objets ; c'est un cadre polyvalent conçu pour couvrir l'ensemble du cycle de vie des modèles d'apprentissage automatique - de l'ingestion des données et de l'entraînement des modèles à la validation, au déploiement et au suivi dans le monde 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.
Regarde : Ultralytics Tutoriel des modes : Entraîne-toi, valide, prédis, exporte et évalue.
Les modes en un coup d'Ĺ“il
Il est essentiel de comprendre les différents modes que Ultralytics YOLOv8 prend en charge pour tirer le meilleur parti de tes modèles :
- Mode entraînement: Affine ton modèle sur des ensembles de données personnalisés ou préchargés.
- Mode Val: Un point de contrôle post-entraînement pour valider les performances du modèle.
- Mode prédiction: Libère le pouvoir prédictif de ton modèle sur des données du monde réel.
- Mode d'exportation: Rends ton modèle prêt à être déployé dans différents formats.
- Mode suivi: Étends ton modèle de détection d'objets aux applications de suivi en temps réel.
- Mode d'analyse comparative: Analyse la vitesse et la précision de ton modèle dans divers environnements de déploiement.
Ce guide complet a pour but de te donner une vue d'ensemble et un aperçu pratique de chaque mode, afin de t'aider à exploiter tout le potentiel de YOLOv8.
Train
Le mode Train est utilisé pour former un modèle YOLOv8 sur un ensemble de données personnalisé. Dans ce mode, le modèle est entraîné à l'aide de l'ensemble de données et des hyperparamètres spécifiés. Le processus d'entraînement consiste à optimiser les paramètres du modèle afin qu'il puisse prédire avec précision les classes et les emplacements des objets dans une image.
Val
Le mode Val est utilisé pour valider un modèle YOLOv8 après qu'il a été entraîné. Dans ce mode, le modèle est évalué sur un ensemble de validation pour mesurer sa précision et ses performances de généralisation. Ce mode peut être utilisé pour régler les hyperparamètres du modèle afin d'améliorer ses performances.
Prévoir
Le mode Prédire est utilisé pour faire des prédictions à l'aide d'un modèle YOLOv8 entraîné sur de nouvelles images ou vidéos. Dans ce mode, le modèle est chargé à partir d'un fichier de point de contrôle, et l'utilisateur peut fournir des images ou des vidéos pour effectuer l'inférence. Le modèle prédit les classes et les emplacements des objets dans les images ou les vidéos d'entrée.
Exporter
Le mode d'exportation est utilisé pour exporter un modèle YOLOv8 dans un format qui peut être utilisé pour le déploiement. Dans ce mode, le modèle est converti dans un format qui peut être utilisé par d'autres applications logicielles ou appareils matériels. Ce mode est utile pour déployer le modèle dans des environnements de production.
Poursuivre
Le mode Track est utilisé pour suivre des objets en temps réel à l'aide d'un modèle YOLOv8 . Dans ce mode, le modèle est chargé à partir d'un fichier de point de contrôle, et l'utilisateur peut fournir un flux vidéo en direct pour effectuer un suivi d'objet en temps réel. Ce mode est utile pour des applications telles que les systèmes de surveillance ou les voitures auto-conduites.
Point de repère
Le mode Benchmark est utilisé pour établir le profil de la vitesse et de la précision de divers formats d'exportation pour YOLOv8. Les repères fournissent des informations sur la taille du format exporté, sa vitesse et sa précision. mAP50-95
métriques (pour la détection d'objets, la segmentation et la pose) ou accuracy_top5
(pour la classification), et le temps d'inférence en millisecondes par image dans différents formats d'exportation tels que ONNX, OpenVINO, TensorRT et autres. Ces informations peuvent aider les utilisateurs à choisir le format d'exportation optimal pour leur cas d'utilisation spécifique en fonction de leurs exigences en matière de vitesse et de précision.