Tutorial completi per Ultralytics YOLO#

Benvenuto nelle guide YOLO di Ultralytics. I nostri tutorial completi coprono vari aspetti del modello YOLO per il rilevamento di oggetti, spaziando dall'addestramento e dalla predizione fino al deployment. Basato su PyTorch, YOLO si distingue per la sua eccezionale velocità e precisione nelle attività di rilevamento di oggetti 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 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, 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 per configurare un ambiente Conda per Ultralytics. Impara a installare e a iniziare a utilizzare il pacchetto Ultralytics in modo efficiente con Conda.
• Guida rapida a Docker: Guida completa per configurare e utilizzare i modelli YOLO di Ultralytics con Docker. Impara a installare Docker, a gestire il supporto per la GPU e a eseguire i modelli YOLO in contenitori isolati per uno sviluppo e un deployment coerenti.
• Guida rapida ad AzureML: Inizia a utilizzare i modelli YOLO di Ultralytics sulla piattaforma Machine Learning Azure di Microsoft. Impara ad addestrare, distribuire e scalare i tuoi progetti di rilevamento di oggetti nel cloud.
• Guida rapida a Modal: Esegui YOLO26 di Ultralytics sulla piattaforma cloud serverless di Modal, coprendo l'autenticazione, l'inferenza su GPU e i processi di addestramento con storage persistente, senza infrastrutture da gestire.
• 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. Impara l'importanza di una dichiarazione del problema ben definita e di come questa crei una tabella di marcia per il tuo progetto.
• Fasi di un progetto di computer vision: Scopri le fasi chiave coinvolte in un progetto di computer vision, tra cui la definizione degli obiettivi, la selezione dei modelli, la preparazione dei dati e la valutazione dei risultati.
• Spiegazione dell'architettura di YOLO: Analizza come l'architettura di YOLO si è evoluta da YOLOv3 a YOLO26 attraverso backbone, collo (neck) e testa di rilevamento, coprendo C2f, C3k2, l'attenzione C2PSA, il design senza ancore (anchor-free) e senza NMS.

Prepara i tuoi dati#

• Raccolta e annotazione dei dati: Esplora gli strumenti, le tecniche e le migliori pratiche per la raccolta e l'annotazione dei dati al fine di creare input di alta qualità per i tuoi modelli di computer vision.
• Preelaborazione dei dati annotati: Impara la preelaborazione dei dati per la computer vision con YOLO26, inclusi il ridimensionamento delle immagini, la normalizzazione, la suddivisione del dataset, l'aumento dei dati (data augmentation) e l'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 la robustezza e le prestazioni del modello.
• Conversione da COCO a YOLO: Guida completa alla conversione delle annotazioni JSON di COCO in formato YOLO per l'addestramento. Copre rilevamento, segmentazione e punti chiave (keypoints), inclusa la mappatura degli ID delle classi e i comuni problemi di conversione.
• Addestramento con JSON di COCO: Addestra YOLO direttamente sulle annotazioni JSON di COCO senza convertirle in formato YOLO, utilizzando una classe di dataset personalizzata e un trainer.

Addestra e ottimizza#

• Consigli per l'addestramento del modello: Esplora i consigli sull'ottimizzazione delle dimensione dei batch, sull'uso della precisione mista, sull'applicazione di pesi preaddestrati e molto altro per rendere un gioco da ragazzi 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 copre il transfer learning, il congelamento dei layer (layer freezing), la selezione dell'ottimizzatore, l'addestramento in due fasi e la risoluzione dei problemi.
• Ricetta di addestramento di YOLO26: Documentazione completa degli iperparametri, delle pipeline di aumento e delle impostazioni dell'ottimizzatore utilizzate per addestrare i checkpoint di base ufficiali di YOLO26 su COCO, con guide pratiche per il fine-tuning.
• Ottimizzazione degli iperparametri: Scopri come ottimizzare i tuoi modelli YOLO eseguendo il fine-tuning degli iperparametri tramite la classe Tuner e algoritmi di evoluzione genetica.
• Distillazione della conoscenza: Impara a migliorare le prestazioni del modello trasferendo la conoscenza da un modello insegnante (teacher) più grande a un modello studente (student) più piccolo utilizzando la distillazione basata su feature.
• Validazione incrociata K-Fold: Impara a migliorare la generalizzazione del modello utilizzando la tecnica di validazione incrociata K-Fold.
• Personalizzazione del Trainer: Impara a creare una sottoclasse del trainer YOLO per registrare metriche personalizzate, aggiungere una loss pesata per classe, personalizzare il salvataggio del modello, congelare o scongelare il backbone e impostare tassi di apprendimento per singolo layer.
• Guida alla configurazione YAML del modello: Un'immersione profonda e completa nelle definizioni dell'architettura dei modelli di Ultralytics. Esplora il formato YAML, comprendi il sistema di risoluzione dei moduli e impara a integrare moduli personalizzati senza problemi.

Valuta e risolvi i problemi#

• Metriche di prestazione di YOLO ⭐ ESSENZIALE: Comprendi le metriche chiave come mAP, IoU e punteggio F1 utilizzate per valutare le prestazioni dei tuoi modelli YOLO. Include esempi pratici e suggerimenti su come migliorare la precisione e la velocità di rilevamento.
• Approfondimenti sulla valutazione del modello e sul fine-tuning: Valuta i modelli di computer vision con metriche come mAP e IoU, quindi esegui il fine-tuning dei parametri di addestramento come il warm-up del tasso di apprendimento per migliorare la precisione del rilevamento.
• Test del modello: Impara a testare i modelli di computer vision su dati non visti, a validare i modelli YOLO26 e a individuare overfitting, underfitting e data leakage prima del deployment.
• Problemi comuni di YOLO ⭐ CONSIGLIATO: Soluzioni pratiche e suggerimenti per la risoluzione dei problemi più frequentemente riscontrati quando si lavora con i modelli YOLO di Ultralytics.
• Mantenimento del tuo modello di computer vision: Comprendi le pratiche chiave per monitorare, mantenere e documentare i modelli di computer vision per garantire l'accuratezza, individuare anomalie e mitigare la deriva dei dati (data drift).

Distribuisci e metti in servizio#

• Opzioni di deployment del modello: Panoramica dei formati di deployment del modello YOLO come ONNX, OpenVINO e TensorRT, con pro e contro per ciascuno al fine di guidare la tua strategia di deployment.
• Migliori pratiche per il deployment del modello: Analizza suggerimenti e migliori pratiche per distribuire in modo efficiente i modelli nei progetti di computer vision, con particolare attenzione all'ottimizzazione, alla risoluzione dei problemi e alla sicurezza.
• Esportazione di modelli non YOLO: Utilizza 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.
• Rilevamento end-to-end: Comprendi il rilevamento end-to-end senza NMS di YOLO26, la compatibilità con l'esportazione, le modifiche al formato di output e come eseguire la migrazione da modelli YOLO meno recenti.
• Integrazione con Triton Inference Server: Approfondisci l'integrazione di YOLO26 di Ultralytics con Triton Inference Server di NVIDIA per deployment di inferenza di deep learning scalabili ed efficienti.
• Inferenza thread-safe in YOLO: Linee guida per eseguire l'inferenza con i modelli YOLO in modo sicuro per i thread (thread-safe). Impara l'importanza della sicurezza dei thread e le migliori pratiche per prevenire condizioni di gara (race conditions) e garantire previsioni coerenti.
• Guida rapida a ROS: Impara a integrare YOLO con Robot Operating System (ROS) per il rilevamento di oggetti in tempo reale in applicazioni di robotica, incluse immagini con nuvole di punti (Point Cloud) e di profondità (Depth).
• Deployment su Vertex AI con Docker: Guida semplificata per containerizzare i modelli YOLO con Docker e distribuirli su Google Cloud Vertex AI, coprendo build, push, scalabilità automatica (autoscaling) e monitoraggio.

Ottimizza l'inferenza#

• Inferenza a riquadri (Tiled) con SAHI: Guida completa sull'sfruttamento delle capacità di inferenza a sezioni (sliced) di SAHI con YOLO26 per il rilevamento di oggetti in immagini ad alta risoluzione.
• Modalità Latenza vs Throughput in OpenVINO: Impara le tecniche di ottimizzazione della latenza e del throughput per ottenere prestazioni di inferenza YOLO di picco.
• Preelaborazione GPU con NVIDIA DALI: Elimina i colli di bottiglia della preelaborazione su CPU eseguendo il ridimensionamento letterbox, il padding e la normalizzazione di YOLO sulla GPU utilizzando NVIDIA DALI, con l'integrazione di Triton Inference Server.
• Isolamento di oggetti di segmentazione: Ricetta passo-passo e spiegazione su come estrarre e/o isolare oggetti dalle immagini utilizzando la segmentazione di Ultralytics.
• Visualizzare le immagini di inferenza in un terminale: Utilizza il terminale integrato di VSCode per visualizzare i risultati dell'inferenza quando utilizzi sessioni Remote Tunnel o SSH.

Hardware edge ed embedded#

• NVIDIA Jetson: Guida di avvio rapido per il deployment di modelli YOLO su dispositivi NVIDIA Jetson.
• Raspberry Pi: Tutorial di avvio rapido per eseguire modelli YOLO sull'hardware Raspberry Pi più recente.
• DeepStream su NVIDIA Jetson: Guida di avvio rapido per il deployment di modelli YOLO su dispositivi NVIDIA Jetson utilizzando DeepStream e TensorRT.
• Edge TPU su Raspberry Pi: Google Edge TPU accelera l'inferenza di YOLO su Raspberry Pi.
• NVIDIA DGX Spark: Guida di avvio rapido per il deployment di modelli YOLO su dispositivi NVIDIA DGX Spark.
• DL Streamer su Intel: Guida di avvio rapido per il deployment di modelli YOLO26 su dispositivi Intel Core Ultra Series 3 utilizzando DL Streamer e OpenVINO™.

Contribuisci alle nostre guide#

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

Per iniziare, leggi la nostra Guida ai contributi per le linee guida su come aprire una Pull Request (PR). Quando aggiungi una nuova guida, inseriscila nella categoria precedente che corrisponde alla sua fase di progetto e mantienila limitata a un unico tipo di pagina — un tutorial passo-passo, una guida pratica incentrata su un'attività o un riferimento — in modo che la raccolta rimanga facile da consultare man mano che cresce. Non vediamo l'ora di ricevere i tuoi contributi.

FAQ#