Meet YOLO26: next-gen vision AI.

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

Questa sezione FAQ affronta le domande e i problemi comuni che potresti incontrare lavorando con i repository Ultralytics YOLO.

Link to this sectionFAQ#

Link to this sectionCos'è Ultralytics e cosa offre?#

Ultralytics è un'azienda di intelligenza artificiale specializzata in computer vision, focalizzata su modelli all'avanguardia di object detection e image segmentation, con particolare attenzione alla 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

Le istruzioni dettagliate per l'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 dei dataset e l'addestramento dei modelli)

Per risolvere i problemi più comuni, visita la pagina Problemi comuni di YOLO.

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 avviare 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 includa la preparazione dei dati e opzioni di addestramento avanzate, consulta la completa guida all'addestramento.

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

Ultralytics offre una gamma diversificata di modelli preaddestrati per vari compiti:

  • Object Detection: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
  • Instance Segmentation: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
  • Semantic Segmentation: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
  • Classification: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
  • Pose Estimation: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
  • Oriented Detection (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 la soluzione migliore per il 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, inclusi l'elaborazione in batch e l'inferenza video, dai un'occhiata alla dettagliata guida alla predizione.

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

Assolutamente sì! 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: Esegui il deployment su dispositivi Android o iOS convertendo i modelli in LiteRT o Core ML.
  • Cloud: Sfrutta framework come TensorFlow Serving o PyTorch Serve per distribuzioni cloud scalabili.
  • Web: Implementa l'inferenza nel browser utilizzando LiteRT.js o ONNX.js.

Ultralytics fornisce funzioni di esportazione per convertire i modelli in vari formati per il deployment. Esplora l'ampia gamma di opzioni di deployment 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 senza NMS: YOLO26 è nativamente end-to-end, producendo previsioni direttamente senza la soppressione dei non-massimi (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 al Kimi K2 di Moonshot AI) per un addestramento più stabile e una convergenza più rapida.
  • Prestazioni su CPU: YOLO26 offre un'inferenza su CPU fino al 43% più veloce, rendendolo ideale per dispositivi senza GPU.
  • Ottimizzazioni specifiche per le attività: Segmentazione migliorata con loss semantica e proto multi-scala, RLE per una stima precisa della posa e decodifica OBB migliorata con loss angolare.
  • Attività: Entrambi i modelli supportano l'object detection e l'instance segmentation, mentre YOLO26 aggiunge anche la semantic segmentation per la previsione densa a livello di pixel. Entrambi i modelli supportano anche classificazione, stima della posa e rilevamento orientato di oggetti (OBB) in un framework unificato.

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

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

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

  1. Fai il fork del repository di 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 superino la verifica.
  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, consulta la 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 suggerimenti per la risoluzione dei problemi, consulta la completa guida rapida.

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 oggetti in modo efficiente in scenari in tempo reale.
  • Funzionalità multi-task: Esegui object detection, instance segmentation, semantic segmentation, 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: esegui facilmente il fine-tuning dei modelli su dataset personalizzati con la flessibile pipeline di addestramento.
  • Ampie Opzioni di Deployment: esporta i modelli in vari formati come TensorRT, ONNX e CoreML per il deployment su diverse piattaforme.
  • Documentazione estesa: beneficia della documentazione completa e di una community solidale per i tuoi workflow 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 attraverso diverse tecniche:

  1. Ottimizzazione degli iperparametri: sperimenta diversi iperparametri utilizzando la Guida all'ottimizzazione degli iperparametri per ottimizzare le performance del modello.
  2. Data Augmentation: Implementa tecniche come ribaltamento, ridimensionamento, rotazione e regolazioni del colore per migliorare il tuo dataset di addestramento e migliorare 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 e edge?#

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

  • Mobile: Converti i modelli in LiteRT o CoreML per un'integrazione perfetta nelle app Android o iOS. Consulta la LiteRT Integration Guide e la CoreML Integration Guide per istruzioni specifiche per la piattaforma.
  • Dispositivi Edge: ottimizza l'inferenza su dispositivi come NVIDIA Jetson o altro hardware edge utilizzando TensorRT o ONNX. La Guida all'integrazione Edge TPU fornisce passaggi dettagliati per il deployment edge.

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

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, incluse l'elaborazione in batch, l'inferenza video e la pre-elaborazione personalizzata, fai riferimento alla dettagliata guida alla predizione.

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

Ultralytics fornisce una ricchezza 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 svariate attività utilizzando i modelli Ultralytics.

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

Collaboratori
GLglenn-jocher14RAraimbekovm2LALaughing-q2AMambitious-octopus1SEsergiuwaxmann1PDpderrenger1RIRizwanMunawar1

Commenti