Tutorial completi per Ultralytics YOLO

Benvenuto nelle guide YOLO di Ultralytics. I nostri tutorial completi coprono vari aspetti del modello di object detection YOLO, spaziando dall'addestramento e dalla previsione fino al deployment. Basato 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 l'ottimizzazione di YOLO per i tuoi progetti di computer vision.

Guide

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

• Una guida al test del modello: una guida completa al test dei tuoi modelli di computer vision in ambienti realistici. Scopri come verificare l'accuratezza, l'affidabilità e le prestazioni in linea con gli obiettivi del progetto.
• AzureML Quickstart: inizia a utilizzare i modelli Ultralytics YOLO sulla piattaforma Machine Learning di Microsoft Azure. Impara ad 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 in modo efficiente i modelli nei 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 rilevamento, segmentazione e keypoint con suggerimenti 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 di dataset e un trainer personalizzati.
• Conda Quickstart: guida passo-passo per configurare un ambiente Conda per Ultralytics. Impara a installare e iniziare a utilizzare il pacchetto Ultralytics in modo efficiente con Conda.
• Personalizzazione del trainer: scopri come sottoclassare il trainer YOLO per registrare metriche personalizzate, aggiungere una loss pesata per classe, personalizzare il salvataggio del modello, bloccare/sbloccare il backbone e impostare learning rate per ogni 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 utilizzando DeepStream e TensorRT.
• Definizione degli obiettivi di un progetto di computer vision: scopri come definire efficacemente obiettivi chiari e misurabili per il tuo progetto di computer vision. Scopri l'importanza di una dichiarazione del problema ben definita e come essa crei una roadmap per il tuo progetto.
• Docker Quickstart: guida completa alla configurazione e all'utilizzo dei modelli Ultralytics YOLO con Docker. Impara a installare Docker, gestire il supporto GPU ed eseguire i 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 il rilevamento end-to-end senza NMS di YOLO26, la compatibilità di esportazione, le modifiche al formato di output e come migrare dai vecchi modelli YOLO.
• 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.
• Fine-tuning di YOLO su dati personalizzati: guida completa al fine-tuning di YOLO26 su dataset personalizzati con pesi pre-addestrati, coprendo 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 eseguendo il fine-tuning degli iperparametri tramite la classe Tuner e algoritmi di evoluzione genetica.
• Approfondimenti sulla valutazione e il fine-tuning del modello: ottieni spunti sulle strategie e le best practice per valutare e rifinire i tuoi modelli di computer vision. Scopri il processo iterativo di affinamento dei modelli per ottenere risultati ottimali.
• Isolamento di oggetti di segmentazione: ricetta passo-passo e spiegazione su come estrarre e/o isolare oggetti dalle immagini utilizzando la segmentazione di Ultralytics.
• K-Fold Cross Validation: impara a migliorare la generalizzazione del modello utilizzando la tecnica di 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 al fine di garantire l'accuratezza, individuare anomalie e mitigare il data drift.
• Opzioni di deployment del modello: panoramica dei formati di model deployment YOLO come ONNX, OpenVINO e TensorRT, con pro e contro per ciascuno, per orientare la tua strategia di deployment.
• Guida alla configurazione YAML del modello: un'immersione completa nelle definizioni dell'architettura dei modelli Ultralytics. Esplora il formato YAML, comprendi il sistema di risoluzione dei moduli e impara a integrare moduli personalizzati senza problemi.
• Preprocessing GPU con NVIDIA DALI: elimina i colli di bottiglia del preprocessing della CPU eseguendo il resize 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 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 della latenza e del throughput per prestazioni di inferenza YOLO di picco.
• Preprocessing di dati annotati: scopri come preelaborare e aumentare i dati immagine nei progetti di computer vision 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.
• ROS Quickstart: impara a integrare YOLO con il Robot Operating System (ROS) per il rilevamento di oggetti in tempo reale nelle applicazioni di robotica, incluse immagini Point Cloud e di profondità.
• Inferenza a tasselli SAHI: guida completa sull'utilizzo 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 i passaggi chiave coinvolti in un progetto di computer vision, inclusi la definizione degli obiettivi, la selezione dei modelli, la preparazione dei dati e la valutazione dei risultati.
• Suggerimenti per l'addestramento del modello: esplora consigli sull'ottimizzazione delle batch size, sull'utilizzo della precisione mista, 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: approfondisci l'integrazione di Ultralytics YOLO26 con Triton Inference Server di NVIDIA per deployment di inferenza deep learning scalabili ed efficienti.
• Deployment Vertex AI con Docker: guida semplificata per containerizzare modelli YOLO con Docker e distribuirli su Google Cloud Vertex AI, coprendo build, push, autoscaling e monitoraggio.
• Visualizza immagini di inferenza nel terminale: utilizza il terminale integrato di VSCode per visualizzare i risultati dell'inferenza quando utilizzi sessioni Remote Tunnel o SSH.
• Ricetta di addestramento YOLO26: documentazione completa degli iperparametri, delle pipeline di aumento e delle impostazioni dell'ottimizzatore utilizzate per addestrare i checkpoint base ufficiali di YOLO26 su COCO, con linee guida pratiche per il fine-tuning.
• Problemi comuni YOLO ⭐ CONSIGLIATO: soluzioni pratiche e suggerimenti per la risoluzione dei problemi più frequentemente riscontrati quando si lavora con i modelli Ultralytics YOLO.
• Aumento 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 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 l'accuratezza e la velocità di rilevamento.
• Inferenza Thread-Safe di YOLO: linee guida per eseguire l'inferenza con i modelli YOLO in modo thread-safe. Comprendi l'importanza della sicurezza dei thread e le best practice per prevenire race condition e garantire previsioni coerenti.

Contribuisci alle nostre guide

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

Per iniziare, leggi la nostra Guida al contributo per le linee guida su come aprire una Pull Request (PR). Attendiamo i tuoi contributi.

FAQ

Come addestro 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, 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 cruciale per capirne 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 la precisione delle attività di object detection. Puoi saperne di più su queste metriche e su come migliorare il tuo modello nella nostra guida Metriche di performance 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, tracciamento in tempo reale e addestramento nel cloud, rendendola ideale sia per principianti che per professionisti. Scopri di più sulle sue funzionalità e su come può semplificare il tuo flusso di lavoro con la nostra guida rapida Ultralytics Platform.

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

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

Come 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-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 prestazioni.