Tutorial completi su Ultralytics YOLO
Benvenuto nelle guide di Ultralytics' YOLO 🚀! I nostri tutorial completi coprono vari aspetti del modello di rilevamento oggetti YOLO, che vanno dall'addestramento e la previsione all'implementazione. Basato su PyTorch, YOLO si distingue per la sua eccezionale velocità e precisione nelle attività di rilevamento oggetti in tempo reale.
Che tu sia un principiante o un esperto nel deep learning, i nostri tutorial offrono preziose informazioni sull'implementazione e l'ottimizzazione di YOLO per i tuoi progetti di computer vision. Iniziamo!
Guarda: Panoramica delle guide di Ultralytics YOLO11
Guide
Ecco una raccolta di guide approfondite per aiutarti a padroneggiare diversi aspetti di Ultralytics YOLO.
- Problemi comuni di YOLO ⭐ CONSIGLIATO: Soluzioni pratiche e suggerimenti per la risoluzione dei problemi più frequenti quando si lavora con i modelli Ultralytics YOLO.
- Metriche di performance 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.
- Inferenza Thread-Safe di YOLO 🚀 NOVITÀ: Linee guida per eseguire l'inferenza con modelli YOLO in modo thread-safe. Scopri l'importanza della thread safety e le migliori pratiche per prevenire race condition e garantire previsioni coerenti.
- Aumento dei dati YOLO 🚀 NOVITÀ: 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.
- 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.
- K-Fold Cross Validation 🚀 NOVITÀ: Scopri come migliorare la generalizzazione del modello utilizzando la tecnica di cross-validation K-Fold.
- Ottimizzazione degli iperparametri 🚀 NOVITÀ: Scopri come ottimizzare i tuoi modelli YOLO mettendo a punto gli iperparametri utilizzando la classe Tuner e gli algoritmi di evoluzione genetica.
- Inferenza a mosaico SAHI 🚀 NOVITÀ: Guida completa sull'utilizzo delle funzionalità di inferenza a sezioni di SAHI con YOLO11 per il rilevamento di oggetti in immagini ad alta risoluzione.
- Avvio rapido di AzureML 🚀 NOVITÀ: Inizia a utilizzare i modelli Ultralytics YOLO sulla piattaforma Azure Machine Learning di Microsoft. Scopri come addestrare, implementare e scalare i tuoi progetti di rilevamento oggetti nel cloud.
- Avvio rapido di Conda 🚀 NOVITÀ: Guida dettagliata per la configurazione di un ambiente Conda per Ultralytics. Scopri come installare e iniziare a utilizzare il pacchetto Ultralytics in modo efficiente con Conda.
- Avvio rapido di Docker 🚀 NOVITÀ: Guida completa per la configurazione e l'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'implementazione coerenti.
- Raspberry Pi 🚀 NOVITÀ: Tutorial di avvio rapido per eseguire modelli YOLO sull'hardware Raspberry Pi più recente.
- NVIDIA Jetson 🚀 NOVITÀ: Guida di avvio rapido per l'implementazione di modelli YOLO su dispositivi NVIDIA Jetson.
- DeepStream su NVIDIA Jetson 🚀 NOVITÀ: Guida di avvio rapido per l'implementazione di modelli YOLO su dispositivi NVIDIA Jetson utilizzando DeepStream e TensorRT.
- Integrazione con Triton Inference Server 🚀 NOVITÀ: Approfondisci l'integrazione di Ultralytics YOLO11 con il Triton Inference Server di NVIDIA per implementazioni di inferenza di deep learning scalabili ed efficienti.
- Isolamento di oggetti di segmentazione 🚀 NOVITÀ: Ricetta passo-passo e spiegazione su come estrarre e/o isolare oggetti dalle immagini utilizzando la segmentazione Ultralytics.
- Edge TPU su Raspberry Pi: Google Edge TPU accelera l'inferenza YOLO su Raspberry Pi.
- 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.
- Modalità Latenza vs Throughput di OpenVINO - Scopri le tecniche di ottimizzazione della latenza e del throughput per ottenere le massime prestazioni di inferenza YOLO.
- Guida rapida a ROS 🚀 NOVITÀ: Scopri come integrare YOLO con il Robot Operating System (ROS) per il rilevamento di oggetti in tempo reale nelle applicazioni di robotica, incluse le immagini Point Cloud e Depth.
- Fasi di un progetto di Computer Vision 🚀 NOVITÀ: 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.
- Definizione degli obiettivi di un progetto di Computer Vision 🚀 NOVITÀ: Scopri come definire in modo efficace obiettivi chiari e misurabili per il tuo progetto di computer vision. Comprendi l'importanza di una dichiarazione del problema ben definita e come questa crei una roadmap per il tuo progetto.
- Raccolta e annotazione dei dati 🚀 NOVITÀ: Esplora gli strumenti, le tecniche e le migliori pratiche per raccogliere e annotare i dati al fine di creare input di alta qualità per i tuoi modelli di computer vision.
- Pre-elaborazione dei dati annotati 🚀 NOVITÀ: Scopri la pre-elaborazione e l'aumento dei dati immagine nei progetti di computer vision utilizzando YOLO11, inclusi normalizzazione, aumento del dataset, suddivisione e analisi esplorativa dei dati (EDA).
- Suggerimenti per l'addestramento del modello 🚀 NOVITÀ: Esplora suggerimenti sull'ottimizzazione delle dimensioni dei batch, sull'utilizzo della precisione mista, sull'applicazione di pesi pre-addestrati e altro ancora per semplificare l'addestramento del tuo modello di computer vision.
- Approfondimenti sulla valutazione e la messa a punto del modello 🚀 NOVITÀ: Ottieni approfondimenti sulle strategie e le migliori pratiche per valutare e mettere a punto i tuoi modelli di computer vision. Scopri il processo iterativo di perfezionamento dei modelli per ottenere risultati ottimali.
- Una guida al collaudo del modello 🚀 NOVITÀ: Una guida completa sul collaudo dei tuoi modelli di computer vision in contesti realistici. Scopri come verificare l'accuratezza, l'affidabilità e le prestazioni in linea con gli obiettivi del progetto.
- Best practice per la distribuzione del modello 🚀 NOVITÀ: Esamina suggerimenti e best practice per distribuire in modo efficiente i modelli nei progetti di computer vision, con particolare attenzione all'ottimizzazione, alla risoluzione dei problemi e alla sicurezza.
- Manutenzione del tuo modello di Computer Vision 🚀 NOVITÀ: 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.
- Distribuzione Vertex AI con Docker 🚀 NOVITÀ: Guida semplificata per la containerizzazione dei modelli YOLO con Docker e la loro distribuzione su Google Cloud Vertex AI, che copre build, push, autoscaling e monitoraggio.
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, leggi la nostra Guida per i contributi per le linee guida su come aprire una Pull Request (PR) 🛠️. Non vediamo l'ora di ricevere i tuoi contributi!
Lavoriamo insieme per rendere l'ecosistema Ultralytics YOLO più robusto e versatile 🙏!
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:
Esempio
from ultralytics import YOLO
model = YOLO("yolo11n.pt") # Load a pre-trained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50) # Train on custom dataset
yolo task=detect mode=train model=yolo11n.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 Precisione Media Media (mAP), l'Intersezione sull'Unione (IoU) e il punteggio F1. Queste metriche aiutano a valutare l'accuratezza e la precisione delle attività di rilevamento oggetti. Puoi saperne di più su queste metriche e su come migliorare il tuo modello nella nostra guida Metriche delle prestazioni YOLO.
Perché dovrei usare Ultralytics HUB per i miei progetti di computer vision?
Ultralytics HUB è una piattaforma no-code che semplifica la gestione, l'addestramento e la distribuzione dei modelli YOLO. Supporta l'integrazione continua, il tracciamento in tempo reale e l'addestramento su cloud, rendendola ideale sia per i principianti che per i professionisti. Scopri di più sulle sue funzionalità e su come può semplificare il tuo flusso di lavoro con la nostra guida rapida Ultralytics HUB.
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 passo-passo per le distribuzioni NVIDIA Jetson e Raspberry Pi per iniziare con il rilevamento di oggetti in tempo reale su hardware edge. Queste guide ti guideranno attraverso l'installazione, la configurazione e l'ottimizzazione delle prestazioni.