Tutorial completi per Ultralytics YOLO

Benvenuti alle guide YOLO di Ultralytics. I nostri tutorial completi coprono vari aspetti del modello YOLO di rilevamento oggetti, dall'addestramento e previsione al deployment. Basato su PyTorch, YOLO si distingue per la sua eccezionale velocità e precisione nei compiti di rilevamento oggetti in tempo reale.

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

Guarda: Panoramica delle Guide Ultralytics YOLO26

Guide

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

• Una Guida al Test dei Modelli: Una guida approfondita sul test dei tuoi modelli di visione artificiale in contesti realistici. Impara a verificare accuratezza, affidabilità e prestazioni in linea con gli obiettivi del progetto.
• Guida Rapida ad AzureML: Inizia a utilizzare i modelli Ultralytics YOLO sulla piattaforma Azure Machine Learning di Microsoft. Impara come addestrare, distribuire e scalare i tuoi progetti di rilevamento oggetti nel cloud.
• Migliori Pratiche per il Deployment dei Modelli: Esamina suggerimenti e migliori pratiche per il deployment efficiente dei modelli nei progetti di visione artificiale, con un focus su ottimizzazione, risoluzione dei problemi e sicurezza.
• Guida Rapida a Conda: Guida passo-passo per configurare un ambiente Conda per Ultralytics. Impara come installare e iniziare a utilizzare il pacchetto Ultralytics in modo efficiente con Conda.
• 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 visione artificiale.
• DeepStream su NVIDIA Jetson: Guida rapida per il deployment di 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. Comprendi l'importanza di una chiara definizione del problema e come questa crei una roadmap per il tuo progetto.
• Guida Rapida a Docker: Guida completa alla configurazione e all'utilizzo dei modelli Ultralytics YOLO con Docker. Scopri 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.
• Ottimizzazione degli Iperparametri: Scopri come ottimizzare i tuoi modelli YOLO attraverso la messa a punto degli iperparametri utilizzando la classe Tuner e algoritmi di evoluzione genetica.
• Approfondimenti sulla Valutazione e Messa a Punto dei Modelli: Ottieni approfondimenti sulle strategie e le migliori pratiche per la valutazione e la messa a punto dei tuoi modelli di computer vision. Scopri il processo iterativo di affinamento dei modelli per raggiungere risultati ottimali.
• Isolamento degli Oggetti di segment: Ricetta e spiegazione passo-passo su come estrarre e/o isolare oggetti dalle immagini utilizzando la segment di Ultralytics.
• Validazione Incrociata K-Fold: Scopri come migliorare la generalizzazione del modello utilizzando la tecnica di validazione incrociata K-Fold.
• Mantenimento del Tuo Modello di Computer Vision: Comprendi le pratiche chiave per il monitoraggio, il mantenimento e la documentazione dei modelli di computer vision per garantire l'accuratezza, individuare anomalie e mitigare il data drift.
• Opzioni di implementazione del modello: Panoramica dei formati di implementazione del modello YOLO come ONNX, OpenVINO e TensorRT, con pro e contro per ciascuno per informare la tua strategia di implementazione.
• Guida alla Configurazione YAML del Modello: Un'analisi approfondita delle definizioni dell'architettura dei modelli di Ultralytics. Esplora il formato yaml, comprendi il sistema di risoluzione dei moduli e scopri come integrare moduli personalizzati senza problemi.
• NVIDIA DGX Spark: Guida rapida per il deployment dei modelli YOLO sui dispositivi NVIDIA DGX Spark.
• NVIDIA Jetson: Guida rapida per il deployment di modelli YOLO su dispositivi NVIDIA Jetson.
• OpenVINO: Modalità Latenza vs Throughput: Scopri le tecniche di ottimizzazione della latenza e del throughput per massimizzare le prestazioni di inferenza YOLO.
• Pre-elaborazione dei Dati Annotati: Scopri la pre-elaborazione e l'aumento dei dati immagine nei progetti di visione artificiale utilizzando YOLO26, inclusi normalizzazione, aumento del dataset, suddivisione e analisi esplorativa dei dati (EDA).
• Raspberry Pi: Tutorial rapido per eseguire modelli YOLO sull'hardware Raspberry Pi più recente.
• Guida Rapida a ROS: Scopri come integrare YOLO con il Robot Operating System (ROS) per il detect di oggetti in tempo reale in applicazioni robotiche, incluse immagini Point Cloud e di profondità.
• Inference a Piastrelle SAHI: Guida completa sull'utilizzo delle capacità di inference a fette di SAHI con YOLO26 per la object detection in immagini ad alta risoluzione.
• Fasi di un Progetto di Computer Vision: Scopri le fasi chiave coinvolte in un progetto di computer vision, inclusa la definizione degli obiettivi, la selezione dei modelli, la preparazione dei dati e la valutazione dei risultati.
• Suggerimenti per l'addestramento del modello: Esplora suggerimenti sull'ottimizzazione delle dimensioni del batch, sull'uso della precisione mista, sull'applicazione di pesi pre-addestrati e altro ancora per rendere l'addestramento del tuo modello di visione artificiale un gioco da ragazzi.
• Integrazione con Triton Inference Server: Approfondisci l'integrazione di Ultralytics YOLO26 con il Triton Inference Server di NVIDIA per deployment di inference di deep learning scalabili ed efficienti.
• Deployment su Vertex AI con Docker: Guida semplificata alla containerizzazione dei modelli YOLO con Docker e al loro deployment su Google Cloud Vertex AI—che copre build, push, autoscaling e monitoraggio.
• Visualizza le immagini di inferenza in un terminale: Utilizza il terminale integrato di VSCode per visualizzare i risultati dell'inferenza quando utilizzi Remote Tunnel o sessioni SSH.
• Problemi comuni di YOLO ⭐ CONSIGLIATO: Soluzioni pratiche e suggerimenti per la risoluzione dei problemi più frequenti quando si lavora con i modelli Ultralytics YOLO.
• Aumento dei Dati 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.
• 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 detect.
• Inferenza Thread-Safe con YOLO: Linee guida per eseguire l'inferenza con i modelli YOLO in modo thread-safe. Scopri l'importanza della thread safety e le migliori pratiche per prevenire race condition e garantire previsioni coerenti.

Contribuisci alle nostre guide

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

Per iniziare, si prega di leggere la nostra Guida per i Contributori per le linee guida su come aprire una Pull Request (PR). Attendiamo con impazienza i vostri contributi.

FAQ

Come posso addestrare un modello personalizzato di rilevamento oggetti utilizzando Ultralytics YOLO?

Addestrare un modello personalizzato di rilevamento oggetti con Ultralytics YOLO è semplice. Inizia preparando il tuo dataset nel formato corretto e installando il pacchetto Ultralytics. Utilizza 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

yolo task=detect mode=train model=yolo26n.pt data=path/to/dataset.yaml epochs=50

Per informazioni dettagliate sulla formattazione del dataset e opzioni aggiuntive, consulta la nostra guida Suggerimenti per l'addestramento del modello.

Quali metriche di performance 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 la Mean Average Precision (mAP), l'Intersection over Union (IoU) e il punteggio F1. Queste metriche aiutano a valutare l'accuratezza e la precisione delle attività di object detection. Puoi saperne di più su queste metriche e su come migliorare il tuo modello nella nostra guida sulle YOLO Performance Metrics.

Perché dovrei usare Ultralytics Platform per i miei progetti di visione artificiale?

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

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, mancate corrispondenze dell'architettura del modello e dati di addestramento insufficienti. Per risolvere questi problemi, assicurati che il tuo dataset sia formattato correttamente, verifica la presenza di versioni del modello compatibili e aumenta i tuoi dati di addestramento. Per un elenco completo di soluzioni, consulta la nostra guida Problemi comuni di YOLO.

Come posso implementare il mio modello YOLO per il rilevamento di oggetti in tempo reale su dispositivi edge?

La distribuzione 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 dettagliate per le distribuzioni NVIDIA Jetson e Raspberry Pi per iniziare con l'object detection in tempo reale su hardware edge. Queste guide ti guideranno attraverso l'installazione, la configurazione e l'ottimizzazione delle prestazioni.

📅 Creato 2 anni fa ✏️ Aggiornato 8 giorni fa

Commenti