Meet YOLO26: next-gen vision AI.

Link to this sectionDomande frequenti (FAQ) su Ultralytics YOLO#

Questa sezione FAQ risponde a domande e problemi comuni che potresti incontrare lavorando con i repository YOLO di Ultralytics.

Link to this sectionFAQ#

Link to this sectionChe cos'è Ultralytics e cosa offre?#

Ultralytics è un'azienda di intelligenza artificiale specializzata in computer vision che offre modelli all'avanguardia per il rilevamento di oggetti e la segmentazione delle immagini, con un focus sulla famiglia YOLO (You Only Look Once). Le loro offerte includono:

Link to this sectionCome installo il pacchetto Ultralytics?#

Installare il pacchetto Ultralytics è semplice usando pip:

pip install ultralytics

Per l'ultima versione di sviluppo, installa direttamente dal repository GitHub:

pip install git+https://github.com/ultralytics/ultralytics.git

Istruzioni dettagliate sull'installazione sono disponibili nella guida rapida.

Link to this sectionQuali sono i requisiti di sistema per eseguire i modelli Ultralytics?#

Requisiti minimi:

  • Python 3.8+
  • PyTorch 1.8+
  • GPU compatibile con CUDA (per l'accelerazione GPU)

Configurazione consigliata:

  • Python 3.8+
  • PyTorch 1.10+
  • GPU NVIDIA con CUDA 11.2+
  • 8GB+ di RAM
  • 50GB+ di spazio libero su disco (per l'archiviazione del dataset e l'addestramento del modello)

Per la risoluzione di problemi comuni, visita la pagina YOLO Common Issues.

Link to this sectionCome posso addestrare un modello YOLO personalizzato sul mio dataset?#

Per addestrare un modello YOLO personalizzato:

  1. Prepara il tuo dataset nel formato YOLO (immagini e relativi file txt delle etichette).

  2. Crea un file YAML che descriva la struttura del tuo dataset e le classi (vedi esempio di dataset YAML).

  3. Usa il seguente codice Python per iniziare l'addestramento:

    from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from scratch
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

Per una guida più approfondita, che include la preparazione dei dati e opzioni di addestramento avanzate, fai riferimento alla guida all'addestramento completa.

Link to this sectionQuali modelli preaddestrati sono disponibili in Ultralytics?#

Ultralytics offre una gamma diversificata di modelli preaddestrati per varie attività:

  • Rilevamento oggetti: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
  • Segmentazione di istanze: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
  • Segmentazione semantica: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
  • Classificazione: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
  • Stima della posa: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
  • Rilevamento orientato (OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

Questi modelli variano per dimensioni e complessità, offrendo diversi compromessi tra velocità e accuratezza. Esplora l'intera gamma di modelli preaddestrati per trovare quello più adatto al tuo progetto.

Link to this sectionCome eseguo l'inferenza usando un modello Ultralytics addestrato?#

Per eseguire l'inferenza con un modello addestrato:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Per opzioni di inferenza avanzate, tra cui l'elaborazione batch e l'inferenza video, dai un'occhiata alla guida alla predizione dettagliata.

Link to this sectionI modelli Ultralytics possono essere distribuiti su dispositivi edge o in ambienti di produzione?#

Certamente! I modelli Ultralytics sono progettati per una distribuzione versatile su varie piattaforme:

  • Dispositivi edge: Ottimizza l'inferenza su dispositivi come NVIDIA Jetson o Intel Neural Compute Stick usando TensorRT, ONNX o OpenVINO.
  • Mobile: Distribuisci su dispositivi Android o iOS convertendo i modelli in TFLite o Core ML.
  • Cloud: Sfrutta framework come TensorFlow Serving o PyTorch Serve per distribuzioni cloud scalabili.
  • Web: Implementa l'inferenza nel browser usando ONNX.js o TensorFlow.js.

Ultralytics fornisce funzioni di esportazione per convertire i modelli in vari formati per la distribuzione. Esplora l'ampia gamma di opzioni di distribuzione per trovare la soluzione migliore per il tuo caso d'uso.

Link to this sectionQual è la differenza tra YOLO11 e YOLO26?#

Le distinzioni principali includono:

  • Inferenza End-to-End NMS-Free: YOLO26 è nativamente end-to-end, producendo previsioni direttamente senza non-maximum suppression (NMS), riducendo la latenza e semplificando la distribuzione.
  • Rimozione di DFL: YOLO26 rimuove il modulo Distribution Focal Loss, semplificando l'esportazione e migliorando la compatibilità con dispositivi edge e a basso consumo.
  • Ottimizzatore MuSGD: Un ibrido tra SGD e Muon (ispirato a Kimi K2 di Moonshot AI) per un addestramento più stabile e una convergenza più rapida.
  • Prestazioni CPU: YOLO26 offre un'inferenza CPU fino al 43% più veloce, rendendolo ideale per dispositivi senza GPU.
  • Ottimizzazioni specifiche per attività: Segmentazione migliorata con perdita semantica e proto multi-scala, RLE per una stima precisa della posa e decodifica OBB migliorata con perdita angolare.
  • Attività: Entrambi i modelli supportano il rilevamento oggetti e la segmentazione di istanze, mentre YOLO26 aggiunge anche la segmentazione semantica per una predizione densa a livello di pixel. Entrambi i modelli supportano anche la classificazione, la stima della posa e il rilevamento orientato di oggetti (OBB) in un framework unificato.

Per un confronto approfondito di funzionalità e metriche di prestazione, visita la pagina di documentazione di YOLO26.

Link to this sectionCome posso contribuire al progetto open source Ultralytics?#

Contribuire a Ultralytics è un ottimo modo per migliorare il progetto ed espandere le tue competenze. Ecco come puoi partecipare:

  1. Fai un fork del repository Ultralytics su GitHub.
  2. Crea un nuovo branch per la tua funzionalità o correzione di bug.
  3. Apporta le tue modifiche e assicurati che tutti i test vengano superati.
  4. Invia una pull request con una descrizione chiara delle tue modifiche.
  5. Partecipa al processo di code review.

Puoi anche contribuire segnalando bug, suggerendo funzionalità o migliorando la documentazione. Per linee guida dettagliate e best practice, fai riferimento alla guida al contributo.

Link to this sectionCome installo il pacchetto Ultralytics in Python?#

Installare il pacchetto Ultralytics in Python è semplice. Usa pip eseguendo il seguente comando nel tuo terminale o prompt dei comandi:

pip install ultralytics

Per la versione di sviluppo all'avanguardia, installa direttamente dal repository GitHub:

pip install git+https://github.com/ultralytics/ultralytics.git

Per istruzioni di installazione specifiche per l'ambiente e consigli sulla risoluzione dei problemi, consulta la guida rapida completa.

Link to this sectionQuali sono le caratteristiche principali di Ultralytics YOLO?#

Ultralytics YOLO vanta un ricco set di funzionalità per attività avanzate di computer vision:

  • Rilevamento in tempo reale: Rileva e classifica in modo efficiente gli oggetti in scenari in tempo reale.
  • Capacità multi-task: Esegui rilevamento oggetti, segmentazione di istanze, segmentazione semantica, classificazione, stima della posa e rilevamento orientato di oggetti (OBB) con un framework unificato.
  • Modelli preaddestrati: Accedi a una varietà di modelli preaddestrati che bilanciano velocità e accuratezza per diversi casi d'uso.
  • Addestramento personalizzato: Effettua facilmente il fine-tuning dei modelli su dataset personalizzati con la pipeline di addestramento flessibile.
  • Ampie Opzioni di distribuzione: Esporta i modelli in vari formati come TensorRT, ONNX e CoreML per la distribuzione su diverse piattaforme.
  • Documentazione estesa: Approfitta della documentazione completa e di una community di supporto per i tuoi flussi di lavoro di computer vision.

Link to this sectionCome posso migliorare le prestazioni del mio modello YOLO?#

Migliorare le prestazioni del tuo modello YOLO può essere ottenuto tramite diverse tecniche:

  1. Ottimizzazione degli iperparametri: Sperimenta con diversi iperparametri usando la Guida all'ottimizzazione degli iperparametri per migliorare le prestazioni del modello.
  2. Data Augmentation: Implementa tecniche come flip, scala, rotazione e regolazioni del colore per migliorare il tuo dataset di addestramento e aumentare la generalizzazione del modello.
  3. Transfer Learning: Sfrutta modelli preaddestrati ed effettua il fine-tuning sul tuo dataset specifico usando la guida all'addestramento.
  4. Esportazione in formati efficienti: Converti il tuo modello in formati ottimizzati come TensorRT o ONNX per un'inferenza più rapida usando la guida all'esportazione.
  5. Benchmarking: Utilizza la modalità Benchmark per misurare e migliorare sistematicamente la velocità e l'accuratezza dell'inferenza.

Link to this sectionPosso distribuire i modelli Ultralytics YOLO su dispositivi mobili ed edge?#

Sì, i modelli Ultralytics YOLO sono progettati per una distribuzione versatile, inclusi dispositivi mobili ed edge:

Per una panoramica completa delle strategie di distribuzione su varie piattaforme, consulta la guida alle opzioni di distribuzione.

Link to this sectionCome posso eseguire l'inferenza usando un modello Ultralytics YOLO addestrato?#

Eseguire l'inferenza con un modello Ultralytics YOLO addestrato è semplice:

  1. Carica il modello:

    from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")

  2. Esegui l'inferenza:

    results = model("path/to/image.jpg")

for r in results:
    print(r.boxes)  # print bounding box predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Per tecniche di inferenza avanzate, tra cui l'elaborazione batch, l'inferenza video e la pre-elaborazione personalizzata, fai riferimento alla guida alla predizione dettagliata.

Link to this sectionDove posso trovare esempi e tutorial per utilizzare Ultralytics?#

Ultralytics fornisce una vasta gamma di risorse per aiutarti a iniziare e padroneggiare i loro strumenti:

Queste risorse forniscono esempi di codice, casi d'uso reali e guide passo-passo per diverse attività che utilizzano i modelli Ultralytics.

Se hai bisogno di ulteriore assistenza, consulta la documentazione di Ultralytics o rivolgiti alla community tramite le GitHub Issues o il forum di discussione ufficiale.

Collaboratori
GLglenn-jocher13LALaughing-q2RAraimbekovm1SEsergiuwaxmann1PDpderrenger1RIRizwanMunawar1

Commenti