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🚀NUOVO: Guida rapida all'implementazione dei modelli YOLO sui dispositivi Nvidia Jetson.
• 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 .

Progetti del mondo reale

• Conteggio degli oggetti 🚀 NUOVO: esplora il processo di conteggio degli oggetti in tempo reale con Ultralytics YOLOv8 e acquisisci le conoscenze per contare efficacemente gli oggetti in un flusso video in diretta.
• Ritaglio di oggetti 🚀 NUOVO: esplora il ritaglio di oggetti utilizzando YOLOv8 per estrarre con precisione gli oggetti da immagini e video.
• Sfumatura degli oggetti 🚀 NUOVO: applica la sfocatura degli oggetti con YOLOv8 per proteggere la privacy nell'elaborazione di immagini e video.
• Monitoraggio degli allenamenti 🚀 NUOVO: Scopri l'approccio completo al monitoraggio degli allenamenti con Ultralytics YOLOv8 . Acquisisci le competenze e gli approfondimenti necessari per utilizzare efficacemente YOLOv8 per monitorare e analizzare i vari aspetti delle routine di fitness in tempo reale.
• Conteggio degli oggetti nelle regioni 🚀 NUOVO: esplora il conteggio degli oggetti in regioni specifiche con Ultralytics YOLOv8 per un rilevamento preciso ed efficiente degli oggetti in aree diverse.
• Sistema di allarme di sicurezza 🚀 NUOVO: Scopri il processo di creazione di un sistema di allarme di sicurezza con Ultralytics YOLOv8 . Questo sistema attiva degli avvisi quando rileva la presenza di nuovi oggetti nell'inquadratura. Successivamente, potrai personalizzare il codice per adattarlo al tuo caso d'uso specifico.
• Heatmaps 🚀 NUOVO: Migliora la tua comprensione dei dati con le nostre Heatmaps di rilevamento! Questi strumenti visivi intuitivi utilizzano gradienti di colore vivaci per illustrare l'intensità dei valori dei dati in una matrice. Essenziali nella visione computerizzata, le heatmap sono abilmente progettate per evidenziare le aree di interesse, fornendo un modo immediato e d'impatto per interpretare le informazioni spaziali.
• Segmentazione delle istanze con il tracciamento degli oggetti 🚀 NUOVO: esplora la nostra funzione sulla segmentazione degli oggetti in forma di Bounding Boxes, che fornisce una rappresentazione visiva dei confini precisi degli oggetti per una migliore comprensione e analisi.
• VisionEye View Objects Mapping 🚀 NUOVO: questa funzione permette ai computer di riconoscere e mettere a fuoco oggetti specifici, proprio come l'occhio umano osserva i dettagli da un particolare punto di vista.
• Stima della velocità 🚀 NUOVO: La stima della velocità nella computer vision si basa sull'analisi del movimento degli oggetti attraverso tecniche come il tracciamento degli oggetti, fondamentali per applicazioni come i veicoli autonomi e il monitoraggio del traffico.
• Calcolo della distanza 🚀 NUOVO: Il calcolo della distanza, che prevede la misurazione della separazione tra due oggetti all'interno di uno spazio definito, è un aspetto cruciale. Nel contesto di Ultralytics YOLOv8 , il metodo utilizzato a questo scopo prevede l'utilizzo del centroide del rettangolo di selezione per determinare la distanza associata ai rettangoli di selezione evidenziati dall'utente.
• Gestione delle code 🚀 NUOVO: La gestione delle code è la pratica di controllare e dirigere in modo efficiente il flusso di persone o attività, spesso attraverso una pianificazione strategica e l'implementazione di tecnologie, per ridurre al minimo i tempi di attesa e migliorare la produttività complessiva.
• Gestione dei parcheggi 🚀 NUOVO: La gestione dei parcheggi consiste nell'organizzare e dirigere in modo efficiente il flusso di veicoli nelle aree di sosta, spesso attraverso una pianificazione strategica e l'integrazione della tecnologia, per ottimizzare l'utilizzo dello spazio e migliorare l'esperienza degli utenti.

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 🙏!

Commenti