Tutorial completi per Ultralytics YOLO#

Benvenuto nelle guide di Ultralytics su YOLO. I nostri tutorial completi trattano vari aspetti del modello YOLO di rilevamento degli oggetti, dall'addestramento e la predizione fino alla distribuzione. Basato su PyTorch, YOLO si distingue per la velocità eccezionale e la [precisione](https://ultralytics-translation-2.invalid nelle attività di rilevamento degli oggetti in tempo reale.

Che tu sia un principiante o un esperto di deep learning, i nostri tutorial offrono indicazioni preziose sull'implementazione e l'ottimizzazione di YOLO per i tuoi progetti di computer vision.

Guide#

Le guide sono raggruppate per fase del progetto — dalla configurazione dell'ambiente e la preparazione dei dati fino all'addestramento, alla valutazione, alla distribuzione, all'ottimizzazione dell'inferenza e all'hardware edge — così puoi passare direttamente alla fase su cui stai lavorando.

Inizia e pianifica#

• Avvio rapido con Conda: guida passo passo alla configurazione di un ambiente Conda per Ultralytics. Scopri come installare e iniziare a usare il pacchetto Ultralytics in modo efficiente con Conda.
• Avvio rapido con Docker: guida completa alla configurazione e all'utilizzo dei modelli Ultralytics YOLO con Docker. Scopri come installare Docker, gestire il supporto GPU ed eseguire i modelli YOLO in container isolati per uno sviluppo e una distribuzione coerenti.
• Avvio rapido con AzureML: inizia a usare i modelli Ultralytics YOLO sulla piattaforma Machine Learning Azure di Microsoft. Scopri come addestrare, distribuire e scalare i tuoi progetti di rilevamento degli oggetti nel cloud.
• Avvio rapido con Modal: esegui Ultralytics YOLO26 sulla piattaforma cloud serverless di Modal, con autenticazione, inferenza GPU e job di addestramento con storage persistente — senza dover gestire l'infrastruttura.
• Definire gli obiettivi di un progetto di computer vision: scopri come definire in modo efficace obiettivi chiari e misurabili per il tuo progetto di computer vision. Comprendi l'importanza di una descrizione del problema ben definita e come questa crei una roadmap per il tuo progetto.
• Fasi di un progetto di computer vision: scopri le fasi chiave di un progetto di computer vision, tra cui la definizione degli obiettivi, la selezione dei modelli, la preparazione dei dati e la valutazione dei risultati.
• Architettura di YOLO spiegata: segui l'evoluzione dell'architettura YOLO da YOLOv3 a YOLO26 attraverso backbone, neck e detection head, includendo C2f, C3k2, l'attenzione C2PSA e i design anchor-free e NMS-free.

Prepara i dati#

• Raccolta e annotazione dei dati: esplora strumenti, tecniche e best practice per raccogliere e annotare dati, creando input di alta qualità per i tuoi modelli di computer vision.
• Preelaborazione dei dati annotati: scopri la preelaborazione dei dati per la computer vision con YOLO26, inclusi ridimensionamento delle immagini, normalizzazione, suddivisione del dataset, aumento dei dati e analisi esplorativa dei dati (EDA).
• Aumento dei dati in YOLO: padroneggia l'intera gamma di tecniche di aumento dei dati in YOLO, dalle trasformazioni di base alle strategie avanzate per migliorare robustezza e prestazioni del modello.
• Conversione da COCO a YOLO: guida completa alla conversione delle annotazioni JSON di COCO nel formato YOLO per l'addestramento. Tratta rilevamento, segmentazione e keypoint, inclusa la mappatura degli ID delle classi e le difficoltà comuni della conversione.
• Addestramento con COCO JSON: addestra YOLO direttamente sulle annotazioni COCO JSON senza convertirle nel formato YOLO, usando una classe di dataset e un trainer personalizzati.

Addestra e perfeziona#

• Suggerimenti per l'addestramento del modello: scopri suggerimenti per ottimizzare le dimensioni dei batch, usare la precisione mista, applicare pesi preaddestrati e altro ancora, per semplificare l'addestramento del tuo modello di computer vision.
• Fine-tuning di YOLO su dati personalizzati: guida completa al fine-tuning di YOLO26 su dataset personalizzati con pesi preaddestrati, che tratta transfer learning, congelamento dei layer, selezione dell'ottimizzatore, addestramento in due fasi e risoluzione dei problemi.
• Ricetta di addestramento di YOLO26: documentazione completa degli iperparametri, delle pipeline di aumento dei dati e delle impostazioni dell'ottimizzatore usati per addestrare i checkpoint base ufficiali di YOLO26 su COCO, con indicazioni pratiche per il fine-tuning.
• Ottimizzazione degli iperparametri: scopri come ottimizzare i tuoi modelli YOLO regolando gli iperparametri con la classe Tuner e gli algoritmi di evoluzione genetica.
• Distillazione della conoscenza: scopri come migliorare le prestazioni del modello trasferendo la conoscenza da un modello insegnante più grande a un modello studente più piccolo tramite distillazione basata sulle feature.
• Convalida incrociata K-Fold: scopri come migliorare la generalizzazione del modello usando la tecnica di convalida incrociata K-Fold.
• Personalizzazione del trainer: scopri come creare una sottoclasse del trainer YOLO per registrare metriche personalizzate, aggiungere una loss pesata per classe, personalizzare il salvataggio del modello, congelare/scongelare il backbone e impostare learning rate per singolo layer.
• Guida alla configurazione YAML del modello: analisi approfondita e completa delle definizioni dell'architettura dei modelli Ultralytics. Esplora il formato YAML, comprendi il sistema di risoluzione dei moduli e scopri come integrare facilmente moduli personalizzati.

Valuta e risolvi i problemi#

• Metriche delle prestazioni di YOLO ⭐ ESSENZIALE: comprendi le metriche chiave come mAP, IoU e il punteggio F1 usate per valutare le prestazioni dei tuoi modelli YOLO. Include esempi pratici e suggerimenti per migliorare precisione e velocità del rilevamento.
• Indicazioni sulla valutazione e il fine-tuning del modello: valuta i modelli di computer vision con metriche come mAP e IoU, quindi agisci sulla base di ciò che le metriche evidenziano per migliorare la precisione del rilevamento.
• Test del modello: scopri come testare i modelli di computer vision su dati non osservati, convalidare i modelli YOLO26 e rilevare overfitting, underfitting e data leakage prima della distribuzione.
• Problemi comuni di YOLO ⭐ CONSIGLIATO: soluzioni pratiche e suggerimenti per la risoluzione dei problemi più frequenti quando lavori con i modelli Ultralytics YOLO.
• Manutenzione del tuo modello di computer vision: comprendi le pratiche chiave per monitorare, mantenere e documentare i modelli di computer vision, garantire la precisione, individuare anomalie e mitigare il data drift.

Distribuisci e servi#

• Opzioni di distribuzione del modello: panoramica dei formati di distribuzione dei modelli YOLO come ONNX, OpenVINO e TensorRT, con vantaggi e svantaggi di ciascuno per orientare la tua strategia di distribuzione.
• Best practice per la distribuzione dei modelli: scopri suggerimenti e best practice per distribuire in modo efficiente i modelli nei progetti di computer vision, con particolare attenzione a ottimizzazione, risoluzione dei problemi e sicurezza.
• Esporta Modelli Non-YOLO: Usa le utility di esportazione standalone di Ultralytics per convertire qualsiasi torch.nn.Module (timm, torchvision, custom) in ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch, Core AI e TensorFlow SavedModel.
• End-to-End Detection: Scegli l'inferenza con NMS o senza NMS e comprendi i formati di output e la compatibilità con l'esportazione.
• Integrazione con Triton Inference Server: approfondisci l'integrazione di Ultralytics YOLO26 con Triton Inference Server di NVIDIA per distribuzioni di inferenza di deep learning scalabili ed efficienti.
• Inferenza YOLO thread-safe: linee guida per eseguire l'inferenza con i modelli YOLO in modo thread-safe. Scopri l'importanza della thread safety e le best practice per prevenire race condition e garantire predizioni coerenti.
• Avvio rapido con ROS: scopri come integrare YOLO con il Sistema operativo per robot (ROS) per il rilevamento degli oggetti in tempo reale nelle applicazioni robotiche, incluse nuvole di punti e immagini di profondità.
• Distribuzione su Vertex AI con Docker: guida essenziale per containerizzare i modelli YOLO con Docker e distribuirli su Google Cloud Vertex AI, trattando build, push, autoscaling e monitoraggio.

Ottimizza l'inferenza#

• Inferenza a tasselli con SAHI: guida completa all'utilizzo delle capacità di inferenza suddivisa in riquadri di SAHI con YOLO26 per il rilevamento degli oggetti in immagini ad alta risoluzione.
• Modalità di latenza e throughput di OpenVINO: scopri le tecniche di ottimizzazione di latenza e throughput per ottenere prestazioni di inferenza YOLO ottimali.
• Preelaborazione GPU con NVIDIA DALI: elimina i colli di bottiglia della preelaborazione sulla CPU eseguendo ridimensionamento letterbox, padding e normalizzazione di YOLO sulla GPU con NVIDIA DALI, tramite l'integrazione con Triton Inference Server.
• Isolamento degli oggetti segmentati: ricetta passo passo e spiegazione su come estrarre e/o isolare oggetti dalle immagini usando Ultralytics Segmentation.
• Visualizzare le immagini di inferenza in un terminale: usa il terminale integrato di VSCode per visualizzare i risultati dell'inferenza durante l'utilizzo di sessioni Remote Tunnel o SSH.

Hardware edge ed embedded#

• NVIDIA Jetson: guida di avvio rapido per distribuire i modelli YOLO sui dispositivi NVIDIA Jetson.
• Raspberry Pi: tutorial di avvio rapido per eseguire i modelli YOLO sull'hardware Raspberry Pi più recente.
• DeepStream su NVIDIA Jetson: guida di avvio rapido per distribuire i modelli YOLO sui dispositivi NVIDIA Jetson usando DeepStream e TensorRT.
• Edge TPU su Raspberry Pi: Google Edge TPU accelera l'inferenza YOLO su Raspberry Pi.
• NVIDIA DGX Spark: guida di avvio rapido per distribuire i modelli YOLO sui dispositivi NVIDIA DGX Spark.
• DL Streamer su Intel: guida di avvio rapido per distribuire i modelli YOLO26 sui dispositivi Intel Core Ultra Series 3 usando DL Streamer e OpenVINO™.

Contribuisci alle nostre guide#

Accogliamo con piacere i contributi della community! Se hai acquisito una competenza particolare su Ultralytics YOLO che non è ancora trattata nelle nostre guide, ti invitiamo a condividerla. Scrivere una guida è un ottimo modo per contribuire alla community e aiutarci a rendere la documentazione più completa e intuitiva.

Per iniziare, leggi la nostra Guida ai contributi per conoscere le linee guida su come aprire una Pull Request (PR). Quando aggiungi una nuova guida, inseriscila nella categoria precedente che corrisponde alla fase del progetto e mantienila su un unico tipo di pagina — un tutorial passo passo, una guida pratica incentrata su un'attività o una pagina di riferimento — così la raccolta rimane facile da consultare mentre cresce. Attendiamo con interesse i tuoi contributi.

FAQ#