Link to this sectionTutorial completi per Ultralytics YOLO#

Benvenuto nelle guide YOLO di Ultralytics. I nostri tutorial completi coprono vari aspetti del modello di object detection YOLO, dal training e la predizione fino al deployment. Basato su PyTorch, YOLO si distingue per la sua eccezionale velocità e precisione nei task 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 l'ottimizzazione di YOLO per i tuoi progetti di computer vision.

Link to this sectionGuide#

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

• Una guida sul testing del modello: una guida esaustiva sul test dei tuoi modelli di computer vision in scenari realistici. Impara come verificare precisione, affidabilità e performance in linea con gli obiettivi del progetto.
• Guida rapida AzureML: inizia a utilizzare i modelli Ultralytics YOLO sulla piattaforma Machine Learning di Microsoft Azure. Scopri come addestrare, distribuire e scalare i tuoi progetti di object detection nel cloud.
• Best practice per il deployment del modello: scopri suggerimenti e best practice per distribuire modelli in modo efficiente 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 il training. Copre detection, segmentazione e keypoints, inclusa la mappatura degli ID delle classi e le insidie comuni della conversione.
• Training con COCO JSON: addestra YOLO direttamente sulle annotazioni COCO JSON senza convertire nel formato YOLO, utilizzando una classe dataset personalizzata e un trainer.
• Guida rapida 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.
• Personalizzazione del Trainer: impara come creare una sottoclasse del trainer YOLO per registrare metriche personalizzate, aggiungere una loss pesata per classe, personalizzare il salvataggio del modello, bloccare/sbloccare la backbone e impostare learning rate per layer.
• Raccolta e annotazione dei dati: esplora gli strumenti, le tecniche e le 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 il deployment di modelli YOLO su dispositivi NVIDIA Jetson usando DeepStream e TensorRT.
• Definizione degli 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 chiara dichiarazione del problema e come questa crei una tabella di marcia per il tuo progetto.
• Guida rapida 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.
• Detection end-to-end: comprendi la detection end-to-end NMS-free di YOLO26, la compatibilità di export, i cambiamenti nel formato di output e come migrare da modelli YOLO precedenti.
• Export di modelli non YOLO: utilizza le utility di export 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, training a due stadi e risoluzione dei problemi.
• Ottimizzazione degli iperparametri: scopri come ottimizzare i tuoi modelli YOLO effettuando il fine-tuning degli iperparametri tramite la classe Tuner e algoritmi di evoluzione genetica.
• Approfondimenti sulla valutazione e il fine-tuning del modello: ottieni approfondimenti sulle strategie e le best practice per valutare e rifinire i tuoi modelli di computer vision. Scopri il processo iterativo di rifinitura dei modelli per ottenere risultati ottimali.
• Isolamento degli oggetti di segmentazione: ricetta e spiegazione passo dopo passo su come estrarre e/o isolare oggetti dalle immagini usando la segmentazione di Ultralytics.
• K-Fold Cross Validation: impara come migliorare la generalizzazione del modello usando la tecnica di K-Fold cross-validation.
• Manutenzione del modello di computer vision: comprendi le pratiche chiave per monitorare, mantenere e documentare i modelli di computer vision per garantire accuratezza, individuare anomalie e mitigare il data drift.
• Opzioni di deployment del modello: panoramica dei formati di model deployment di YOLO come ONNX, OpenVINO e TensorRT, con pro e contro per ciascuno per guidare la tua strategia di deployment.
• Guida alla configurazione YAML del modello: un'immersione approfondita nelle definizioni dell'architettura dei modelli di Ultralytics. Esplora il formato YAML, comprendi il sistema di risoluzione dei moduli e impara come integrare moduli personalizzati senza problemi.
• Pre-elaborazione GPU con NVIDIA DALI: elimina i colli di bottiglia della pre-elaborazione su CPU eseguendo il ridimensionamento letterbox, il padding e la normalizzazione di YOLO sulla GPU usando NVIDIA DALI, con integrazione di Triton Inference Server.
• NVIDIA DGX Spark: guida rapida per il deployment di modelli YOLO su dispositivi NVIDIA DGX Spark.
• NVIDIA Jetson: guida rapida per il deployment di modelli YOLO su dispositivi NVIDIA Jetson.
• Modalità Latenza vs Throughput di OpenVINO: impara tecniche di ottimizzazione di latenza e throughput per massimizzare le performance di inferenza di YOLO.
• Pre-elaborazione dei dati annotati: impara a pre-elaborare e aumentare i dati delle immagini nei progetti di computer vision usando YOLO26, inclusi normalizzazione, data augmentation, splitting ed esplorazione dei dati (EDA).
• Raspberry Pi: tutorial rapido per eseguire modelli YOLO sull'hardware Raspberry Pi più recente.
• Guida rapida ROS: impara come integrare YOLO con il Robot Operating System (ROS) per l'object detection in tempo reale in applicazioni robotiche, incluse immagini Point Cloud e Depth.
• Inferenza Tiled SAHI: guida completa sullo sfruttamento delle capacità di inferenza a fette di SAHI con YOLO26 per l'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, tra cui definizione degli obiettivi, selezione dei modelli, preparazione dei dati e valutazione dei risultati.
• Suggerimenti per il training del modello: esplora suggerimenti sull'ottimizzazione di batch sizes, uso della mixed precision, applicazione di pesi pre-addestrati e molto altro per rendere il training 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 deployment di inferenza di deep learning scalabili ed efficienti.
• Deployment su Vertex AI con Docker: guida semplificata alla containerizzazione di modelli YOLO con Docker e al loro deployment su Google Cloud Vertex AI: copre build, push, autoscaling e monitoraggio.
• Visualizza le immagini di inferenza in un terminale: usa il terminale integrato di VSCode per visualizzare i risultati dell'inferenza quando usi sessioni Remote Tunnel o SSH.
• Ricetta di training YOLO26: documentazione completa di iperparametri, pipeline di augmentation e impostazioni dell'ottimizzatore usate per addestrare i checkpoint base ufficiali di YOLO26 su COCO, con guida pratica al 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 di YOLO: padroneggia l'intera gamma di tecniche di data augmentation in YOLO, dalle trasformazioni di base a strategie avanzate per migliorare la robustezza e le performance del modello.
• Metriche di performance YOLO ⭐ ESSENZIALE: comprendi le metriche chiave come mAP, IoU e F1 score usate per valutare le performance 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. Impara l'importanza della thread safety e le best practice per prevenire race condition e garantire predizioni coerenti.

Link to this sectionContribuisci 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 alla contribuzione per le linee guida su come aprire una Pull Request (PR). Attendiamo con impazienza i tuoi contributi.

Link to this sectionFAQ#

Link to this sectionCome 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 il training:

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 una formattazione dettagliata del dataset e opzioni aggiuntive, fai riferimento alla nostra guida Suggerimenti per il training del modello.

Link to this sectionQuali metriche di performance dovrei usare per valutare il mio modello YOLO?#

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

Link to this sectionPerché dovrei usare la piattaforma Ultralytics per i miei progetti di computer vision?#

La piattaforma Ultralytics è una piattaforma no-code che semplifica la gestione, il training e il deployment dei modelli YOLO. Supporta l'integrazione fluida, il tracking in tempo reale e il training nel cloud, rendendola ideale sia per i principianti che per i professionisti. Scopri di più sulle sue funzionalità e su come può semplificare il tuo workflow con la nostra guida rapida alla Piattaforma Ultralytics.

Link to this sectionQuali sono i problemi comuni riscontrati durante il training di modelli YOLO e come posso risolverli?#

I problemi comuni durante il training di modelli YOLO includono errori di formattazione dei dati, discrepanze nell'architettura del modello e training data insufficienti. Per risolvere questi aspetti, assicurati che il tuo dataset sia formattato correttamente, controlla la compatibilità delle versioni del modello e aumenta i tuoi dati di training. Per un elenco completo di soluzioni, fai riferimento alla nostra guida Problemi comuni di YOLO.

Link to this sectionCome posso distribuire il mio modello YOLO per l'object detection in tempo reale su dispositivi edge?#

Distribuire 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 il deployment su NVIDIA Jetson e Raspberry Pi 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 performance.