Tutorial completi per Ultralytics YOLO

Benvenuto nelle guide YOLO di Ultralytics. I nostri tutorial completi coprono vari aspetti del modello YOLO object detection, che spaziano dall'addestramento e dalla predizione fino al deployment. Costruito su PyTorch, YOLO si distingue per la sua eccezionale velocità e precisione nelle attività di object detection in tempo reale.

Che tu sia un principiante o un esperto di deep learning, i nostri tutorial offrono spunti preziosi sull'implementazione e sull'ottimizzazione di YOLO per il tuo computer vision.

Guide

Ecco una raccolta di guide approfondite per aiutarti a padroneggiare diversi aspetti di Ultralytics YOLO.

• Una guida sul test dei modelli: Una guida completa sul test dei tuoi modelli di computer vision in contesti realistici. Impara come verificare precisione, affidabilità e prestazioni in linea con gli obiettivi del progetto.
• Quickstart per AzureML: Inizia subito a lavorare con i modelli Ultralytics YOLO sulla piattaforma Azure Machine Learning di Microsoft. Impara come addestrare, distribuire e scalare i tuoi progetti di object detection nel cloud.
• Best practice per il deployment dei modelli: Esplora suggerimenti e best practice per distribuire in modo efficiente i modelli in progetti di computer vision, con un focus su ottimizzazione, risoluzione dei problemi e sicurezza.
• Conversione da COCO a YOLO: Guida completa alla conversione delle annotazioni COCO JSON nel formato YOLO per l'addestramento. Copre detection, segmentation e keypoints con consigli specifici per strumenti come CVAT, Label Studio e Roboflow.
• Addestramento con COCO JSON: Addestra YOLO direttamente sulle annotazioni COCO JSON senza convertire nel formato YOLO, utilizzando una classe dataset personalizzata e un trainer.
• Quickstart per Conda: Guida passo dopo passo per configurare un ambiente Conda per Ultralytics. Impara come installare e iniziare a utilizzare il pacchetto Ultralytics in modo efficiente con Conda.
• guida Personalizzazione del Trainer: Impara come creare una sottoclasse del trainer YOLO per registrare metriche personalizzate, aggiungere la loss pesata per classe, personalizzare il salvataggio del modello, bloccare/sbloccare il backbone e impostare i learning rate per livello.
• Raccolta e annotazione dei dati: Esplora strumenti, tecniche e best practice per raccogliere e annotare dati al fine di creare input di alta qualità per i tuoi modelli di computer vision.
• DeepStream su NVIDIA Jetson: Guida rapida per distribuire modelli YOLO su dispositivi NVIDIA Jetson utilizzando DeepStream e TensorRT.
• Definire gli obiettivi di un progetto di computer vision: Scopri come definire efficacemente obiettivi chiari e misurabili per il tuo progetto di computer vision. Impara l'importanza di un problema ben definito e come questo crei una tabella di marcia per il tuo progetto.
• Quickstart per Docker: Guida completa alla configurazione e all'utilizzo dei modelli Ultralytics YOLO con Docker. Impara come installare Docker, gestire il supporto GPU ed eseguire modelli YOLO in container isolati per uno sviluppo e un deployment coerenti.
• Edge TPU su Raspberry Pi: Google Edge TPU accelera l'inferenza YOLO su Raspberry Pi.
• Rilevamento end-to-end: Comprendi la detection end-to-end senza NMS di YOLO26, la compatibilità di esportazione, i cambiamenti nel formato di output e come migrare da modelli YOLO più vecchi.
• Esportare modelli non YOLO: Usa le utility di esportazione standalone di Ultralytics per convertire qualsiasi torch.nn.Module (timm, torchvision, personalizzato) in ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch e TensorFlow SavedModel.
• Fine-tuning di YOLO su dati personalizzati: Guida completa al fine-tuning di YOLO26 su dataset personalizzati con pesi pre-addestrati, che copre transfer learning, blocco dei layer, selezione dell'ottimizzatore, addestramento a due stadi e risoluzione dei problemi.
• Ottimizzazione degli iperparametri: Scopri come ottimizzare i tuoi modelli YOLO effettuando il fine-tuning degli iperparametri utilizzando la classe Tuner e algoritmi di evoluzione genetica.
• Approfondimenti su valutazione e fine-tuning dei modelli: Ottieni approfondimenti sulle strategie e sulle best practice per valutare ed effettuare il fine-tuning dei tuoi modelli di computer vision. Impara il processo iterativo di rifinitura dei modelli per ottenere risultati ottimali.
• Isolare oggetti di segmentazione: Ricetta passo dopo passo e spiegazione su come estrarre e/o isolare oggetti dalle immagini utilizzando la segmentazione di Ultralytics.
• K-Fold Cross Validation: Impara come migliorare la generalizzazione del modello utilizzando la tecnica della K-Fold cross-validation.
• Manutenzione del tuo modello di computer vision: Comprendi le pratiche chiave per monitorare, mantenere e documentare i modelli di computer vision per garantire precisione, individuare anomalie e mitigare il data drift.
• Opzioni di deployment dei modelli: Panoramica dei formati YOLO deployment del modello come ONNX, OpenVINO e TensorRT, con vantaggi e svantaggi per ciascuno, per informare la tua strategia di deployment.
• Guida alla configurazione YAML dei modelli: Un'analisi approfondita delle definizioni di architettura dei modelli di Ultralytics. Esplora il formato YAML, comprendi il sistema di risoluzione dei moduli e impara come integrare perfettamente moduli personalizzati.
• Preprocessing GPU con NVIDIA DALI: Elimina i colli di bottiglia del preprocessing della CPU eseguendo il ridimensionamento letterbox, il padding e la normalizzazione di YOLO sulla GPU utilizzando NVIDIA DALI, con integrazione di Triton Inference Server.
• NVIDIA DGX Spark: Guida rapida per distribuire modelli YOLO su dispositivi NVIDIA DGX Spark.
• NVIDIA Jetson: Guida rapida per distribuire modelli YOLO su dispositivi NVIDIA Jetson.
• Modalità Latenza vs Throughput di OpenVINO: Impara le tecniche di ottimizzazione della latenza e del throughput per ottenere prestazioni di inferenza YOLO ottimali.
• Preprocessing dei dati annotati: Impara a fare preprocessing e data augmentation sui dati immagine in progetti di computer vision utilizzando YOLO26, inclusi normalizzazione, data augmentation del dataset, suddivisione e analisi esplorativa dei dati (EDA).
• Raspberry Pi: Tutorial rapido per eseguire modelli YOLO sull'hardware Raspberry Pi più recente.
• Quickstart per ROS: Impara come integrare YOLO con il Robot Operating System (ROS) per la detection di oggetti in tempo reale in applicazioni di robotica, incluse immagini Point Cloud e Depth.
• Inferenza a tasselli SAHI: Guida completa sullo sfruttamento delle capacità di inferenza a tasselli (tiled inference) di SAHI con YOLO26 per la object detection in immagini ad alta risoluzione.
• Passaggi di un progetto di computer vision: Scopri i passaggi chiave coinvolti in un progetto di computer vision, tra cui definizione degli obiettivi, selezione dei modelli, preparazione dei dati e valutazione dei risultati.
• Suggerimenti per l'addestramento dei modelli: Esplora suggerimenti sull'ottimizzazione di batch size, usando mixed precision, sull'applicazione di pesi pre-addestrati e altro ancora per rendere l'addestramento del tuo modello di computer vision un gioco da ragazzi.
• Integrazione con Triton Inference Server: Immergiti nell'integrazione di Ultralytics YOLO26 con Triton Inference Server di NVIDIA per distribuzioni di inferenza di deep learning scalabili ed efficienti.
• Deployment su Vertex AI con Docker: Guida semplificata alla containerizzazione di modelli YOLO con Docker e alla loro distribuzione su Google Cloud Vertex AI: copre build, push, autoscaling e monitoraggio.
• Visualizzare immagini di inferenza nel terminale: Usa il terminale integrato di VSCode per visualizzare i risultati dell'inferenza quando utilizzi sessioni Remote Tunnel o SSH.
• Ricetta per l'addestramento con YOLO26: Documentazione completa degli iperparametri, delle pipeline di augmentation e delle impostazioni dell'ottimizzatore utilizzate per addestrare i checkpoint base ufficiali di YOLO26 su COCO, con consigli pratici per il fine-tuning.
• Problemi comuni di YOLO ⭐ CONSIGLIATO: Soluzioni pratiche e suggerimenti per la risoluzione dei problemi più frequentemente riscontrati quando si lavora con i modelli Ultralytics YOLO.
• Data Augmentation in YOLO: Padroneggia l'intera gamma di tecniche di data augmentation in YOLO, dalle trasformazioni di base alle strategie avanzate per migliorare la robustezza e le prestazioni del modello.
• Metriche di performance di YOLO ⭐ ESSENZIALE: Comprendi le metriche chiave come mAP, IoU e F1 score utilizzate per valutare le prestazioni dei tuoi modelli YOLO. Include esempi pratici e suggerimenti su come migliorare la precisione e la velocità di detection.
• Inferenza Thread-Safe di YOLO: Linee guida per eseguire l'inferenza con modelli YOLO in modo thread-safe. Comprendi l'importanza della thread safety e le best practice per prevenire race condition e garantire predizioni coerenti.

Contribuisci alle nostre guide

Accogliamo con favore i contributi della community! Se hai padroneggiato un aspetto particolare di Ultralytics YOLO non ancora trattato nelle nostre guide, ti invitiamo a condividere la tua esperienza. Scrivere una guida è un ottimo modo per restituire qualcosa alla community e aiutarci a rendere la nostra documentazione più completa e facile da usare.

Per iniziare, leggi le nostre Guida al contributo per le linee guida su come aprire una Pull Request (PR). Non vediamo l'ora di ricevere i tuoi contributi.

FAQ

Come posso addestrare un modello di object detection personalizzato usando Ultralytics YOLO?

Addestrare un modello di object detection personalizzato con Ultralytics YOLO è semplice. Inizia preparando il tuo dataset nel formato corretto e installando il pacchetto Ultralytics. Usa il seguente codice per avviare l'addestramento:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

Per la formattazione dettagliata del dataset e opzioni aggiuntive, fai riferimento alla nostra Suggerimenti per l'addestramento dei modelli.

Quali metriche di prestazione dovrei usare per valutare il mio modello YOLO?

Valutare le prestazioni del tuo modello YOLO è fondamentale per comprenderne l'efficacia. Le metriche chiave includono Mean Average Precision (mAP), Intersection over Union (IoU) e il punteggio F1. Queste metriche aiutano a valutare l'accuratezza e precisione delle attività di object detection. Puoi imparare di più su queste metriche e su come migliorare il tuo modello nella nostra Metriche di performance di YOLO.

Perché dovrei usare Ultralytics Platform per i miei progetti di computer vision?

Ultralytics Platform è una piattaforma no-code che semplifica la gestione, l'addestramento e il deployment dei modelli YOLO. Supporta un'integrazione fluida, il tracking in tempo reale e l'addestramento in cloud, rendendola ideale sia per principianti che per professionisti. Scopri di più sulle sue funzionalità e su come può ottimizzare il tuo flusso di lavoro con la nostra Ultralytics Platform guida rapida.

Quali sono i problemi comuni riscontrati durante l'addestramento del modello YOLO e come posso risolverli?

I problemi comuni durante l'addestramento del modello YOLO includono errori di formattazione dei dati, discrepanze nell'architettura del modello e dati di addestramento insufficienti. Per risolvere questi problemi, assicurati che il tuo dataset sia formattato correttamente, controlla la compatibilità delle versioni del modello e aumenta i dati di addestramento. Per un elenco completo di soluzioni, consulta la nostra Problemi comuni di YOLO.

Come posso effettuare il deployment del mio modello YOLO per l'object detection in tempo reale su dispositivi edge?

Il deployment di modelli YOLO su dispositivi edge come NVIDIA Jetson e Raspberry Pi richiede la conversione del modello in un formato compatibile come TensorRT o TFLite. Segui le nostre guide passo dopo passo per NVIDIA Jetson e Raspberry Pi deployment per iniziare con l'object detection in tempo reale su hardware edge. Queste guide ti accompagneranno attraverso l'installazione, la configurazione e l'ottimizzazione delle prestazioni.