सामग्री पर जाएं

वस्तु का पता लगाना

वस्तु का पता लगाने के उदाहरण

ऑब्जेक्ट डिटेक्शन एक ऐसा कार्य है जिसमें किसी छवि या वीडियो स्ट्रीम में वस्तुओं के स्थान और वर्ग की पहचान करना शामिल है।

ऑब्जेक्ट डिटेक्टर का आउटपुट बाउंडिंग बॉक्स का एक सेट है जो छवि में वस्तुओं को संलग्न करता है, साथ ही प्रत्येक बॉक्स के लिए क्लास लेबल और आत्मविश्वास स्कोर के साथ। ऑब्जेक्ट डिटेक्शन एक अच्छा विकल्प है जब आपको किसी दृश्य में रुचि की वस्तुओं की पहचान करने की आवश्यकता होती है, लेकिन यह जानने की आवश्यकता नहीं है कि ऑब्जेक्ट कहां है या उसका सटीक आकार है।



सतर्कता: पूर्व-प्रशिक्षित के साथ ऑब्जेक्ट डिटेक्शन Ultralytics YOLOv8 को गढ़ना।

नोक

YOLOv8 डिटेक्ट मॉडल डिफ़ॉल्ट हैं YOLOv8 मॉडल, अर्थात। yolov8n.pt और पर पूर्वप्रशिक्षित हैं कोको.

मॉडल

YOLOv8 पूर्व-प्रशिक्षित डिटेक्ट मॉडल यहां दिखाए गए हैं। डिटेक्ट, सेगमेंट और पोज़ मॉडल COCO डेटासेट पर पूर्व-प्रशिक्षित हैं, जबकि वर्गीकृत मॉडल इमेजनेट डेटासेट पर पूर्व-प्रशिक्षित हैं।

मॉडल नवीनतम से स्वचालित रूप से डाउनलोड करते हैं Ultralytics पहले उपयोग पर रिलीज करें।

को गढ़ना आकार वाला
(पिक्सेल)
मानचित्रवैल
50-95
गति
सीपीयू ONNX
(एमएस)
गति
ए100 TensorRT
(एमएस)
परम
(एम)
फ्लॉप
(बी)
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 एकल-मॉडल एकल-पैमाने पर हैं COCO val2017 डेटासेट।
    द्वारा प्रजनन करना yolo val detect data=coco.yaml device=0
  • गति एक का उपयोग कर COCO val छवियों पर औसत अमेज़न EC2 P4d उदाहरण।
    द्वारा प्रजनन करना yolo val detect data=coco128.yaml batch=1 device=0|cpu

रेलगाड़ी

रेलगाड़ी YOLOv8n छवि आकार 640 पर 100 युगों के लिए COCO128 डेटासेट पर। उपलब्ध तर्कों की पूरी सूची के लिए , कॉन्फ़िगरेशन पृष्ठ देखें.

उदाहरण

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)
# Build a new model from YAML and start training from scratch
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

डेटासेट प्रारूप

YOLO डेटासेट गाइड में डिटेक्शन डेटासेट प्रारूप के बारे में विस्तार से पाया जा सकता है। अपने मौजूदा डेटासेट को अन्य प्रारूपों (जैसे COCO आदि) से बदलने के लिएYOLO प्रारूप, कृपया JSON2YOLO टूल का उपयोग करें Ultralytics.

वैल

प्रशिक्षित मान्य करें YOLOv8n COCO128 डेटासेट पर मॉडल सटीकता। किसी तर्क को पारित करने की आवश्यकता नहीं है model यह प्रशिक्षण बरकरार रखता है data और मॉडल विशेषताओं के रूप में तर्क।

उदाहरण

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load an official model
model = YOLO('path/to/best.pt')  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map    # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps   # a list contains map50-95 of each category
yolo detect val model=yolov8n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

भविष्‍यवाणी करना

एक प्रशिक्षित का प्रयोग करें YOLOv8n छवियों पर भविष्यवाणियां चलाने के लिए मॉडल।

उदाहरण

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load an official model
model = YOLO('path/to/best.pt')  # load a custom model

# Predict with the model
results = model('https://ultralytics.com/images/bus.jpg')  # predict on an image
yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

पूरा देखें predict मोड विवरण में भविष्‍यवाणी करना पृष्ठ।

निर्यातित माल

निर्यात a YOLOv8n मॉडल को किसी भिन्न प्रारूप में जैसे ONNX, CoreMLआदि।

उदाहरण

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load an official model
model = YOLO('path/to/best.pt')  # load a custom trained model

# Export the model
model.export(format='onnx')
yolo export model=yolov8n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

सुलभ YOLOv8 निर्यात प्रारूप नीचे दी गई तालिका में हैं। आप निर्यात किए गए मॉडल पर सीधे भविष्यवाणी या मान्य कर सकते हैं, अर्थात। yolo predict model=yolov8n.onnx. निर्यात पूर्ण होने के बाद आपके मॉडल के लिए उपयोग के उदाहरण दिखाए जाते हैं.

प्रारूप format युक्ति को गढ़ना मेटाडेटा 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 लाइट tflite yolov8n.tflite imgsz, half, int8
TF किनारा TPU edgetpu yolov8n_edgetpu.tflite imgsz
TF।जे एस tfjs yolov8n_web_model/ imgsz, half, int8
PaddlePaddle paddle yolov8n_paddle_model/ imgsz
ncnn ncnn yolov8n_ncnn_model/ imgsz, half

पूरा देखें export में विवरण निर्यातित माल पृष्ठ।



2023-11-12 बनाया गया, अपडेट किया गया 2024-02-03
लेखक: ग्लेन-जोचर (10), लाफिंग-क्यू (1), आयुषएक्सेल (1)

टिप्पणियाँ