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'œil

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.

Exemples de trains

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.

Exemples de val

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.

Prédire des exemples

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.

Exemples d'exportation

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.

Exemples de pistes

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.

Exemples de repères

FAQ

Comment entraîner un modèle de détection d'objets personnalisé avec Ultralytics YOLOv8 ?

L'entraînement d'un modèle de détection d'objets personnalisé avec Ultralytics YOLOv8 implique l'utilisation du mode d'entraînement. Tu as besoin d'un jeu de données formaté au format YOLO , contenant des images et les fichiers d'annotation correspondants. Utilise la commande suivante pour lancer le processus de formation :

from ultralytics import YOLO

# Train a custom model
model = YOLO("yolov8n.pt")
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

yolo train data=path/to/dataset.yaml epochs=100 imgsz=640

Pour des instructions plus détaillées, tu peux te référer au guide de formationUltralytics .

Quels sont les paramètres utilisés par Ultralytics YOLOv8 pour valider les performances du modèle ?

Ultralytics YOLOv8 utilise diverses mesures au cours du processus de validation pour évaluer la performance du modèle. Il s'agit notamment de :

• mAP (mean Average Precision): Cela permet d'évaluer la précision de la détection des objets.
• IOU (Intersection over Union): Mesure le chevauchement entre les boîtes de délimitation prédites et celles de la vérité terrain.
• Précision et rappel: La précision mesure le ratio des vraies détections positives par rapport au total des positifs détectés, tandis que le rappel mesure le ratio des vraies détections positives par rapport au total des positifs réels.

Tu peux exécuter la commande suivante pour lancer la validation :

from ultralytics import YOLO

# Validate the model
model = YOLO("yolov8n.pt")
model.val(data="path/to/validation.yaml")

yolo val data=path/to/validation.yaml

Reporte-toi au guide de validation pour plus de détails.

Comment puis-je exporter mon modèle YOLOv8 pour le déployer ?

Ultralytics YOLOv8 offre une fonctionnalité d'exportation pour convertir ton modèle entraîné dans divers formats de déploiement tels que ONNX, TensorRT, CoreML, et plus encore. Utilise l'exemple suivant pour exporter ton modèle :

from ultralytics import YOLO

# Export the model
model = YOLO("yolov8n.pt")
model.export(format="onnx")

yolo export model=yolov8n.pt format=onnx

Les étapes détaillées pour chaque format d'exportation se trouvent dans le guide d'exportation.

A quoi sert le mode benchmark dans Ultralytics YOLOv8 ?

Le mode Benchmark de Ultralytics YOLOv8 est utilisé pour analyser la vitesse et la précision de différents formats d'exportation tels que ONNX, TensorRT, et OpenVINO. Il fournit des mesures telles que la taille du modèle, mAP50-95 pour la détection d'objets, et le temps d'inférence pour différentes configurations matérielles, ce qui t'aide à choisir le format le plus adapté à tes besoins de déploiement.

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

yolo benchmark model=yolov8n.pt data='coco8.yaml' imgsz=640 half=False device=0

Pour plus de détails, reporte-toi au guide des repères.

Comment puis-je effectuer un suivi d'objet en temps réel à l'aide de Ultralytics YOLOv8 ?

Le suivi d'objets en temps réel peut être réalisé à l'aide du mode de suivi dans Ultralytics YOLOv8 . Ce mode étend les capacités de détection des objets pour suivre les objets sur les images vidéo ou les flux en direct. Utilise l'exemple suivant pour activer le suivi :

from ultralytics import YOLO

# Track objects in a video
model = YOLO("yolov8n.pt")
model.track(source="path/to/video.mp4")

yolo track source=path/to/video.mp4

Pour obtenir des instructions détaillées, consulte le Guide de la piste.

Commentaires