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 🚀 NOVITÀ: Diventa subito operativo con i modelli 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 di 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.
• DeepStream su NVIDIA Jetson 🚀 NUOVO: Guida rapida per la distribuzione di modelli YOLO su dispositivi NVIDIA Jetson utilizzando DeepStream e TensorRT.
• Triton Inference Server Integration 🚀 NEW: Scopri l'integrazione di Ultralytics YOLOv8 con NVIDIA's Triton Inference Server per implementazioni scalabili ed efficienti di inferenza 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 di 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 .
• Fasi di un progetto di computer vision 🚀 NUOVO: Scopri le fasi principali di un progetto di computer vision, tra cui la definizione degli obiettivi, la selezione dei modelli, la preparazione dei dati e la valutazione dei risultati.
• Definire gli obiettivi di un progetto di computer vision 🚀 NUOVO: Scopri come definire in modo efficace obiettivi chiari e misurabili per il tuo progetto di computer vision. Scopri l'importanza di una dichiarazione del problema ben definita e come questa crea una tabella di marcia per il tuo progetto.
• Raccolta e annotazione dei dati 🚀 NUOVO: esplora gli strumenti, le tecniche e le migliori pratiche per la raccolta e l'annotazione dei dati per creare input di alta qualità per i tuoi modelli di computer vision.
• Preelaborazione dei dati annotati 🚀 NUOVO: Scopri la preelaborazione e l'aumento dei dati delle immagini nei progetti di computer vision utilizzando YOLOv8, tra cui la normalizzazione, l'aumento del dataset, la suddivisione e l'analisi esplorativa dei dati (EDA).
• Suggerimenti per l'addestramento del modello 🚀 NUOVO: Scopri i suggerimenti per ottimizzare le dimensioni dei batch, utilizzare la precisione mista, applicare pesi pre-addestrati e molto altro ancora per rendere l'addestramento del tuo modello di computer vision un gioco da ragazzi.
• Approfondimenti sulla valutazione e la messa a punto dei modelli 🚀 NUOVO: Scopri le 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.
• Guida al test dei modelli 🚀 NUOVO: Una guida approfondita per testare i 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.
• Migliori pratiche per l'implementazione dei modelli 🚀 NOVITÀ: suggerimenti e migliori pratiche per un'efficiente implementazione dei modelli nei progetti di computer vision, con particolare attenzione all'ottimizzazione, alla risoluzione dei problemi e alla sicurezza.
• Mantenimento del modello di computer vision 🚀 NOVITÀ: Scopri le pratiche chiave per il monitoraggio, la manutenzione e la documentazione dei modelli di computer vision per garantire l'accuratezza, individuare le anomalie e ridurre la deriva dei dati.
• ROS Quickstart 🚀 NUOVO: Scopri come integrare YOLO con il Robot Operating System (ROS) per il rilevamento di oggetti in tempo reale nelle applicazioni robotiche, comprese le immagini a nuvola di punti e in profondità.

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 🙏!

DOMANDE FREQUENTI

Come posso addestrare un modello di rilevamento degli oggetti personalizzato utilizzando Ultralytics YOLO ?

L'addestramento di un modello personalizzato di rilevamento degli oggetti con Ultralytics YOLO è semplice. Inizia preparando il tuo set di dati nel formato corretto e installando il pacchetto Ultralytics . Usa il seguente codice per avviare l'addestramento:

from ultralytics import YOLO

model = YOLO("yolov8s.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=yolov8s.pt data=path/to/dataset.yaml epochs=50

Per una formattazione dettagliata del set di dati e per ulteriori opzioni, consulta la nostra guida Suggerimenti per la formazione dei modelli.

Quali sono le metriche di performance da utilizzare per valutare il mio modello YOLO ?

Valutare le prestazioni del modello YOLO è fondamentale per comprenderne l'efficacia. Le metriche chiave includono la precisione 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 degli oggetti. Per saperne di più su queste metriche e su come migliorare il tuo modello, consulta la nostra guida sulle metriche delle prestazioni diYOLO .

Perché dovrei usare Ultralytics HUB per i miei progetti di computer vision?

Ultralytics HUB è una piattaforma no-code che semplifica la gestione, la formazione e la distribuzione dei modelli di YOLO . Supporta un'integrazione perfetta, il monitoraggio in tempo reale e la formazione nel cloud, rendendola ideale sia per i principianti che per i professionisti. Scopri le sue caratteristiche e come può ottimizzare il tuo flusso di lavoro con la nostra guida rapida a Ultralytics HUB.

Quali sono i problemi più comuni che si incontrano durante la formazione sul modello YOLO e come posso risolverli?

I problemi più comuni durante l'addestramento del modello YOLO includono errori di formattazione dei dati, mancata corrispondenza dell'architettura del modello e dati di addestramento insufficienti. Per risolvere questi problemi, assicurati che il tuo set di dati sia formattato correttamente, verifica la presenza di versioni del modello compatibili e aumenta i dati di addestramento. Per un elenco completo di soluzioni, consulta la nostra guida YOLO Common Issues.

Come posso distribuire il mio modello YOLO per il rilevamento degli oggetti in tempo reale sui dispositivi edge?

La distribuzione dei 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 l'implementazione di NVIDIA Jetson e Raspberry Pi per iniziare a rilevare oggetti in tempo reale su hardware edge. Queste guide ti guideranno attraverso l'installazione, la configurazione e l'ottimizzazione delle prestazioni.

Commenti