Vai al contenuto

Tutorial completi per Ultralytics YOLO

Benvenuto nelle Guide di Ultralytics'YOLO 🚀! I nostri tutorial completi coprono vari aspetti del modello di rilevamento degli oggetti di YOLO , dall'addestramento alla predizione fino all'implementazione. Basato su PyTorch, YOLO si distingue per la sua eccezionale velocità e precisione nelle attività di rilevamento degli oggetti in tempo reale.

Che tu sia un principiante o un esperto di deep learning, i nostri tutorial ti offrono preziosi spunti per l'implementazione e l'ottimizzazione di YOLO per i tuoi progetti di computer vision. Immergiamoci!



Guarda: Ultralytics YOLOv8 Panoramica delle guide

Guide

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

  • YOLO Problemi comuni ⭐ CONSIGLIATO: soluzioni pratiche e suggerimenti per la risoluzione dei problemi più frequenti quando si lavora con i modelli Ultralytics YOLO .
  • YOLO Metriche delle prestazioni ⭐ 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.
  • Opzioni di distribuzione dei modelli: Panoramica dei formati di distribuzione del modello YOLO come ONNX, OpenVINO e TensorRT, con i pro e i contro di ciascuno per informare la tua strategia di distribuzione.
  • Convalida incrociata K-Fold 🚀 NUOVO: Scopri come migliorare la generalizzazione dei modelli utilizzando la tecnica di convalida incrociata K-Fold.
  • Regolazione degli iperparametri 🚀 NOVITÀ: Scopri come ottimizzare i tuoi modelli YOLO attraverso la regolazione fine degli iperparametri utilizzando la classe Tuner e gli algoritmi di evoluzione genetica.
  • SAHI Tiled Inference 🚀 NUOVO: Guida completa sull'utilizzo delle capacità di inferenza a fette di SAHI con YOLOv8 per il rilevamento di oggetti in immagini ad alta risoluzione.
  • AzureML Quickstart 🚀 NUOVO: Inizia a lavorare con i modelli di Ultralytics YOLO sulla piattaforma Azure Machine Learning di Microsoft. Scopri come addestrare, distribuire e scalare i tuoi progetti di rilevamento degli oggetti nel cloud.
  • Conda Quickstart 🚀 NUOVO: Guida passo-passo alla configurazione di un ambiente Conda per Ultralytics. Scopri come installare e iniziare a utilizzare il pacchetto Ultralytics in modo efficiente con Conda.
  • Docker Quickstart 🚀 NUOVO: Guida completa alla configurazione e all'utilizzo dei modelli Ultralytics YOLO con Docker. Scopri come installare Docker, gestire il supporto delle GPU ed eseguire i modelli YOLO in contenitori isolati per uno sviluppo e una distribuzione coerenti.
  • Raspberry Pi 🚀 NUOVO: Tutorial di avvio rapido per eseguire i modelli YOLO sull'ultimo hardware Raspberry Pi.
  • NVIDIA-Jetson 🚀 NEW: Quickstart guide for deploying YOLO models on NVIDIA Jetson devices.
  • Triton Integrazione del server di inferenza 🚀 NUOVO: Approfondisci l'integrazione di Ultralytics YOLOv8 con il server di inferenza NVIDIA Triton per implementazioni scalabili ed efficienti di inferenza di deep learning.
  • YOLO Thread-Safe Inference 🚀 NEW: Linee guida per eseguire l'inferenza con i modelli di YOLO in modo thread-safe. Scopri l'importanza della sicurezza dei thread e le migliori pratiche per prevenire le condizioni di gara e garantire previsioni coerenti.
  • Isolare gli oggetti della segmentazione 🚀 NUOVO: Ricetta e spiegazione passo-passo su come estrarre e/o isolare gli oggetti dalle immagini utilizzando Ultralytics Segmentation.
  • Edge TPU su Raspberry Pi: Google Edge TPU accelera l'inferenza YOLO su Raspberry Pi.
  • Visualizza le immagini dell'inferenza in un terminale: Usa il terminale integrato di VSCode per visualizzare i risultati dell'inferenza quando usi il Tunnel Remoto o le sessioni SSH.
  • OpenVINO Modalità di latenza e throughput - Impara le tecniche di ottimizzazione della latenza e del throughput per ottenere le massime prestazioni di inferenza di YOLO .
  • Steps of a Computer Vision Project 🚀 NEW: Learn about the key steps involved in a computer vision project, including defining goals, selecting models, preparing data, and evaluating results.
  • Defining A Computer Vision Project's Goals 🚀 NEW: Walk through how to effectively define clear and measurable goals for your computer vision project. Learn the importance of a well-defined problem statement and how it creates a roadmap for your project.
  • Data Collection and Annotation 🚀 NEW: Explore the tools, techniques, and best practices for collecting and annotating data to create high-quality inputs for your computer vision models.
  • Preprocessing Annotated Data 🚀 NEW: Learn about preprocessing and augmenting image data in computer vision projects using YOLOv8, including normalization, dataset augmentation, splitting, and exploratory data analysis (EDA).
  • ROS Quickstart 🚀 NEW: Learn how to integrate YOLO with the Robot Operating System (ROS) for real-time object detection in robotics applications, including Point Cloud and Depth images.

Contribuisci alle nostre guide

Accogliamo con piacere i contributi della comunità! Se hai imparato un aspetto particolare di Ultralytics YOLO che non è ancora stato trattato nelle nostre guide, ti invitiamo a condividere la tua esperienza. Scrivere una guida è un ottimo modo per dare un contributo alla comunità 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) 🛠️. Saremo lieti di ricevere i tuoi contributi!

Lavoriamo insieme per rendere l'ecosistema di Ultralytics YOLO più robusto e versatile 🙏!



Created 2023-11-12, Updated 2024-06-19
Authors: ambitious-octopus (1), glenn-jocher (10), abirami-vina (2), RizwanMunawar (7), Burhan-Q (3), lakshanthad (1), ouphi (1)

Commenti