विषय पर बढ़ें

वस्तु पहचान

वस्तु पहचान उदाहरण

वस्तु पहचान एक कार्य है जिसमें चित्र या वीडियो स्ट्रीम में वस्तुओं की स्थान और वर्ग की पहचान करने का समय शामिल होता है।

वस्तु पहचान एक सेट होती है जिसमें वस्तुओं को घेरने वाले बाउंडिंग बॉक्स का पता लगाया जाता है, साथ ही प्रत्येक बॉक्स के लिए वर्ग लेबल और विश्वसनीयता स्कोर शामिल होते हैं। चित्र में हरी उड़ी रेस सामग्री डिटेक्ट करी, बांदर को डिटेक्ट करें. प्रतिस्थान से यह पता चलता है कि वस्तु कहाँ है या उसकी सटीक आकृति क्या है, परंतु कुछ तो हैं है।



देखें: पूर्व प्रशिक्षित Ultralytics YOLOv8 मॉडल के साथ वस्तु पहचान।

टिप

YOLOv8 Detect मॉडल डिफ़ॉल्ट YOLOv8 मॉडल हैं, यानी yolov8n.pt और COCO पर प्रशिक्षित हैं।

मॉडल

YOLOv8 पूर्व प्रशिक्षित Detect मॉडल यहाँ दिखाए गए हैं। Detect, Segment और Pose मॉडल COCO डेटासेट पर पूर्वप्रशिक्षित होते हैं, जबकि Classify मॉडल ImageNet डेटासेट पर पूर्वप्रशिक्षित होते हैं।

मॉडल पहली बार इस्तेमाल पर Ultralytics के नवीनतम प्रकाशन से स्वचालित रूप से डाउनलोड होते हैं।

मॉडल साइज़
(pixels)		 mAPval
50-95		 स्पीडCPU ONNX
(ms)		 स्पीडA100 TensorRT
(ms)		 पैराम्स
(M)		 FLOPs
(B)
YOLOv8n 640 37.3 80.4 0.99 3.2 8.7
YOLOv8s 640 44.9 128.4 1.20 11.2 28.6
YOLOv8m 640 50.2 234.7 1.83 25.9 78.9
YOLOv8l 640 52.9 375.2 2.39 43.7 165.2
YOLOv8x 640 53.9 479.1 3.53 68.2 257.8
  • mAPval मान को COCO val2017 डेटासेट पर सिंगल-मॉडेल सिंगल-स्केल के लिए है।
    yolo द्वारा पुनः उत्पन्न करें के द्वारा विन्यास करें yolo val data=coco.yaml device=0
  • Speed Amazon EC2 P4d इंस्टेंस का उपयोग करके COCO val छवियों पर औसत लिया जाता है।
    yolo के द्वारा पुनः उत्पन्न करें के द्वारा विन्यास करें yolo val data=coco128.yaml batch=1 device=0|cpu

प्रशिक्षण

100 युगों में 640 आकृति वाले प्रशिक्षित योलोवी8 एन को COCO128 डेटासेट पर प्रशिक्षित करें। उपलब्ध तार्किक तर्कों की पूरी सूची के लिए कॉन्फ़िगरेशन पृष्ठ देखें।

उदाहरण

from ultralytics import YOLO

# मॉडल लोड करें
model = YOLO('yolov8n.yaml')  # YAML से नया मॉडल बनाएँ
model = YOLO('yolov8n.pt')  # प्रशिक्षण के लिए सिफारिश किए गए पूर्वप्रशिक्षित मॉडल लोड करें
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # YAML से बनाएं और भार ट्रांसफर करें और प्रशिक्षित करें

# मॉडल को प्रशिक्षित करें
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)

# YAML से एक नया मॉडल बनाकर खाली से शुरू करें
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

# पूर्व प्रशिक्षित *.pt मॉडल से प्रशिक्षण शुरू करें
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

# यैतायत्मिक रूप से भार ट्रांसफर करके नया मॉडल बनाएँ और प्रशिक्षण शुरू करें
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

डेटासेट प्रारूप

YOLO डिटेक्शन डेटासेट प्रारूप को डेटासेट गाइड में विस्तार से देखा जा सकता है। कृपया अपने मौजूदा डेटासेट को अन्य प्रारूपों (जैसे COCO आदि) से YOLO प्रारूप में बदलने के लिए JSON2YOLO उपकरण का उपयोग करें।

मान्यता

COCO128 डेटासेट पर प्रशिक्षित YOLOv8n मॉडल की सटीकता को मान्यता दें। मॉडल प्रदर्शन से जुड़ी कोई विधि नहीं होनी चाहिए।

उदाहरण

from ultralytics import YOLO

# मॉडल लोड करें
model = YOLO('yolov8n.pt')  # आधिकारिक मॉडल लोड करें
model = YOLO('path/to/best.pt')  # कस्टम मॉडल लोड करें

# मॉडल की मान्यता जांचें
metrics = model.val()  # तुलना करने के लिए कोई विधि की आवश्यकता नहीं है, डेटासेट और सेटिंग्स याद रखे जाते हैं
metrics.box.map    # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps   # हर श्रेणी के map50-95 से संबंधित सूची

yolo detect val model=yolov8n.pt  # आधिकारिक मॉडल की मान्यता
yolo detect val model=path/to/best.pt  # कस्टम मॉडल की मान्यता

भविष्यवाणी

प्रशिक्षित YOLOv8n मॉडल का उपयोग चित्रों पर भविष्यवाणी करने के लिए करें।

उदाहरण

from ultralytics import YOLO

# मॉडल लोड करें
model = YOLO('yolov8n.pt')  # आधिकारिक मॉडल लोड करें
model = YOLO('path/to/best.pt')  # कस्टम मॉडल लोड करें

# मॉडल के साथ भविष्यवाणी करें
results = model('https://ultralytics.com/images/bus.jpg')  # एक छवि पर भविष्यवाणी करें

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # आधिकारिक मॉडल के साथ भविष्यवाणी
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # कस्टम मॉडल के साथ भविष्यवाणी

पूर्ण predict मोड़ विवरण को भविष्यवाणी पृष्ठ में देखें।

निर्यात

YOLOv8n मॉडल को अन्य प्रारूप (जैसे ONNX, CoreML आदि) में निर्यात करें।

उदाहरण

from ultralytics import YOLO

# मॉडल लोड करें
model = YOLO('yolov8n.pt')  # आधिकारिक मॉडल लोड करें
model = YOLO('path/to/best.pt')  # कस्टम प्रशिक्षित मॉडल लोड करें

# मॉडल को निर्यात करें
model.export(format='onnx')

yolo export model=yolov8n.pt format=onnx  # आधिकारिक मॉडल को निर्यात करें
yolo export model=path/to/best.pt format=onnx  # कस्टम प्रशिक्षित मॉडल को निर्यात करें

उपलब्ध YOLOv8 निर्यात प्रारूप नीचे की सारणी में हैं। आप निर्यातित मॉडल पर सीधे भविष्यवाणी या मान्यता कर सकते हैं, जैसे 'yolo predict model=yolov8n.onnx' आदि। निर्यात पूर्ण होने के बाद आपके मॉडल के उपयोग के उदाहरण दिखाए जाते हैं।

प्रारूप format तर्क मॉडल मेटाडाटा तर्क
PyTorch - yolov8n.pt ✅ -
TorchScript torchscript yolov8n.torchscript ✅ imgsz, optimize
ONNX onnx yolov8n.onnx ✅ imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n_openvino_model/ ✅ imgsz, half, int8
TensorRT engine yolov8n.engine ✅ imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n.mlpackage ✅ imgsz, half, int8, nms
TF SavedModel saved_model yolov8n_saved_model/ ✅ imgsz, keras, int8
TF GraphDef pb yolov8n.pb ❌ imgsz
TF Lite tflite yolov8n.tflite ✅ imgsz, half, int8
TF Edge TPU edgetpu yolov8n_edgetpu.tflite ✅ imgsz
TF.js tfjs yolov8n_web_model/ ✅ imgsz
PaddlePaddle paddle yolov8n_paddle_model/ ✅ imgsz
ncnn ncnn yolov8n_ncnn_model/ ✅ imgsz, half

पूर्ण export विवरण को निर्यात पृष्ठ में देखें।


Created 2023-11-18, Updated 2023-11-19
Authors: glenn-jocher (2)

टिप्पणियाँ