Tutorial completi su Ultralytics YOLO#

Benvenuto nelle guide YOLO di Ultralytics. I nostri tutorial completi trattano vari aspetti del modello YOLO per il rilevamento degli oggetti, dall'addestramento e la predizione fino alla distribuzione. Basato su PyTorch, YOLO si distingue per la velocità eccezionale e la precisione nelle attività di rilevamento degli oggetti in tempo reale.

Che tu sia principiante o esperto di deep learning, i nostri tutorial offrono spunti preziosi sull'implementazione e l'ottimizzazione di YOLO per i tuoi progetti di visione artificiale.

Guide#

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

Inizia e pianifica#

• Guida rapida a Conda: guida passo passo alla configurazione di un ambiente Conda per Ultralytics. Scopri come installare e iniziare a usare in modo efficiente il pacchetto Ultralytics con Conda.
• Guida rapida a Docker: guida completa alla configurazione e all'uso dei modelli Ultralytics YOLO con Docker. Scopri come installare Docker, gestire il supporto GPU ed eseguire i modelli YOLO in container isolati per garantire coerenza nello sviluppo e nella distribuzione.
• Guida rapida ad AzureML: inizia a usare i modelli Ultralytics YOLO sulla piattaforma di machine learning Azure di Microsoft. Scopri come addestrare, distribuire e scalare nel cloud i tuoi progetti di rilevamento degli oggetti.
• Guida rapida a Modal: esegui Ultralytics YOLO26 sulla piattaforma cloud serverless di Modal: la guida tratta autenticazione, inferenza GPU e processi di addestramento con archiviazione persistente, senza dover gestire l'infrastruttura.
• Definire gli obiettivi di un progetto di visione artificiale: scopri passo passo come definire in modo efficace obiettivi chiari e misurabili per il tuo progetto di visione artificiale. Scopri l'importanza di una definizione del problema ben formulata e come questa crei una tabella di marcia per il progetto.
• Fasi di un progetto di visione artificiale: scopri le fasi principali di un progetto di visione artificiale, tra cui la definizione degli obiettivi, la scelta dei modelli, la preparazione dei dati e la valutazione dei risultati.
• L'architettura YOLO spiegata: ripercorri l'evoluzione dell'architettura YOLO da YOLOv3 a YOLO26 attraverso backbone, neck e head di rilevamento, analizzando C2f, C3k2, l'attenzione C2PSA e le architetture senza anchor e senza NMS.

Prepara i dati#

• Raccolta e annotazione dei dati: scopri gli strumenti, le tecniche e le best practice per raccogliere e annotare dati e creare input di alta qualità per i tuoi modelli di visione artificiale.
• Preelaborazione dei dati annotati: scopri la preelaborazione dei dati per la visione artificiale con YOLO26, che include ridimensionamento delle immagini, normalizzazione, suddivisione del dataset, aumento dei dati e analisi esplorativa dei dati (EDA).
• Aumento dei dati in YOLO: approfondisci l'intera gamma di tecniche di aumento dei dati in YOLO, dalle trasformazioni di base alle strategie avanzate per migliorare la robustezza e le 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 gli errori di conversione più comuni.
• Addestramento con JSON COCO: addestra YOLO direttamente sulle annotazioni JSON di COCO senza convertirle nel formato YOLO, utilizzando una classe di dataset e un trainer personalizzati.

Addestra e perfeziona#

• Consigli per l'addestramento dei modelli: scopri come ottimizzare le dimensioni dei batch, usare la precisione mista, applicare pesi preaddestrati e altro ancora per rendere più semplice l'addestramento del tuo modello di visione artificiale.
• Perfezionare YOLO con dati personalizzati: guida completa al fine-tuning di YOLO26 su dataset personalizzati con pesi preaddestrati; tratta transfer learning, congelamento dei layer, scelta 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 usate 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 perfezionando gli iperparametri con la classe Tuner e gli algoritmi di evoluzione genetica.
• Distillazione della conoscenza: scopri come migliorare le prestazioni del modello trasferendo conoscenze da un modello insegnante più grande a un modello studente più piccolo tramite la distillazione basata sulle feature.
• Convalida incrociata K-Fold: scopri come migliorare la generalizzazione del modello usando la tecnica di convalida incrociata K-Fold.
• Personalizzare il trainer: scopri come creare una sottoclasse del trainer YOLO per registrare metriche personalizzate, aggiungere una loss ponderata per classe, personalizzare il salvataggio del modello, congelare/scongelare il backbone e impostare learning rate per ogni layer.
• Guida alla configurazione YAML dei modelli: approfondimento completo sulle definizioni dell'architettura dei modelli Ultralytics. Scopri il formato YAML, comprendi il sistema di risoluzione dei moduli e impara a integrare moduli personalizzati senza difficoltà.

Valuta e risolvi i problemi#

• Metriche delle prestazioni di YOLO ⭐ ESSENZIALE: scopri le metriche principali, come mAP, IoU e punteggio F1, usate per valutare le prestazioni dei tuoi modelli YOLO. Include esempi pratici e consigli per migliorare l'accuratezza e la velocità del rilevamento.
• Approfondimenti sulla valutazione e sul fine-tuning dei modelli: valuta i modelli di visione artificiale con metriche come mAP e IoU, quindi usa ciò che rivelano per migliorare l'accuratezza del rilevamento.
• Test dei modelli: scopri come testare i modelli di visione artificiale su dati mai visti, convalidare i modelli YOLO26 e individuare overfitting, underfitting e fuga di dati prima della distribuzione.
• Problemi comuni di YOLO ⭐ CONSIGLIATO: soluzioni pratiche e consigli per risolvere i problemi più frequenti quando lavori con i modelli Ultralytics YOLO.
• Manutenzione del tuo modello di visione artificiale: scopri le pratiche fondamentali per monitorare, mantenere e documentare i modelli di visione artificiale, così da garantirne l'accuratezza, rilevare anomalie e mitigare il drift dei dati.

Distribuisci e servi#

• Opzioni di distribuzione dei modelli: panoramica dei formati di distribuzione dei modelli YOLO, come ONNX, OpenVINO e TensorRT, con vantaggi e svantaggi di ciascuno per aiutarti a definire la strategia di distribuzione.
• Best practice per la distribuzione dei modelli: scopri consigli e best practice per distribuire in modo efficiente i modelli nei progetti di visione artificiale, con particolare attenzione a ottimizzazione, risoluzione dei problemi e sicurezza.
• Esportare modelli non YOLO: usa le utility autonome di esportazione di Ultralytics per convertire qualsiasi torch.nn.Module (timm, torchvision, personalizzato) in TorchScript, ONNX, OpenVINO, CoreML, Core AI, TensorFlow SavedModel, PaddlePaddle, MNN, NCNN ed ExecuTorch.
• Rilevamento end-to-end: scegli tra inferenza con NMS o senza NMS e scopri i formati di output e la compatibilità dell'esportazione.
• Integrazione con Triton Inference Server: approfondisci l'integrazione di Ultralytics YOLO26 con Triton Inference Server di NVIDIA per distribuire inferenze di deep learning scalabili ed efficienti.
• Inferenza YOLO thread-safe: indicazioni per eseguire inferenze con i modelli YOLO in modo thread-safe. Scopri l'importanza della sicurezza dei thread e le best practice per prevenire condizioni di race e garantire predizioni coerenti.
• Guida rapida a ROS: scopri come integrare YOLO con il Sistema Operativo per Robot (ROS) per il rilevamento degli oggetti in tempo reale nelle applicazioni robotiche, comprese le immagini di nuvole di punti e di profondità.
• Distribuzione su Vertex AI con Docker: guida semplificata per containerizzare i modelli YOLO con Docker e distribuirli su Google Cloud Vertex AI; tratta compilazione, push, scalabilità automatica e monitoraggio.

Ottimizza l'inferenza#

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

Hardware edge e sistemi embedded#

• NVIDIA Jetson: guida rapida per distribuire i modelli YOLO sui dispositivi NVIDIA Jetson.
• Raspberry Pi: tutorial rapido per eseguire i modelli YOLO sui più recenti dispositivi Raspberry Pi.
• DeepStream su NVIDIA Jetson: guida rapida 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 rapida per distribuire i modelli YOLO sui dispositivi NVIDIA DGX Spark.
• DL Streamer su Intel: guida rapida 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 esperienza in un aspetto specifico di Ultralytics YOLO che non è ancora trattato nelle nostre guide, ti invitiamo a condividere le tue conoscenze. Scrivere una guida è un ottimo modo per restituire qualcosa alla community e aiutarci a rendere la documentazione più completa e facile da usare.

Per iniziare, leggi la nostra Guida ai contributi per sapere come aprire una richiesta di pull (PR). Quando aggiungi una nuova guida, inseriscila nella categoria precedente corrispondente alla fase del progetto e mantienila in un unico formato — tutorial passo passo, guida pratica incentrata su un'attività o riferimento — così la raccolta rimarrà facile da consultare man mano che cresce. Attendiamo con piacere i tuoi contributi.

Domande frequenti#