Vai al contenuto

Ultralytics YOLO Domande frequenti (FAQ)

Questa sezione di FAQ affronta le domande e i problemi più comuni che gli utenti possono incontrare quando lavorano con i repository. Ultralytics YOLO repository.

DOMANDE FREQUENTI

Cos'è Ultralytics e cosa offre?

Ultralytics è un'azienda di computer vision AI specializzata in modelli all'avanguardia per il rilevamento degli oggetti e la segmentazione delle immagini, con particolare attenzione alla famiglia YOLO (You Only Look Once). Le sue offerte includono:

Come si installa il pacchetto Ultralytics ?

L'installazione del pacchetto Ultralytics è semplice utilizzando pip:

pip install ultralytics

Per la versione di sviluppo più recente, installa direttamente dal repository GitHub:

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

Le istruzioni dettagliate per l'installazione si trovano nella guida rapida.

Quali sono i requisiti di sistema per l'esecuzione dei modelli di Ultralytics ?

Requisiti minimi:

  • Python 3.7+
  • PyTorch 1.7+
  • CUDA GPU (per l'accelerazione di ) GPU

Configurazione consigliata:

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

Per la risoluzione dei problemi più comuni, visita la pagina YOLO Problemi comuni.

Come posso addestrare un modello personalizzato di YOLOv8 sul mio set di dati?

Per eseguire il training di un'abitudine YOLOv8 modello:

  1. Preparare il set di dati in YOLO formato (immagini e file txt di etichette corrispondenti).
  2. Creare un file YAML che descriva la struttura e le classi del set di dati.
  3. Utilizzare quanto segue Python Codice per iniziare l'addestramento:
from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.yaml")  # build a new model from scratch
model = YOLO("yolov8n.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 le opzioni di formazione avanzata, consulta la guida completa alla formazione.

Quali modelli preaddestrati sono disponibili in Ultralytics?

Ultralytics offre una vasta gamma di modelli preaddestrati di YOLOv8 per diversi compiti:

  • Rilevamento di oggetti: YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x
  • Segmentazione dell'istanza: YOLOv8n-Seg YOLOv8s-Seg YOLOv8m-Seg YOLOv8l-Seg YOLOv8x-Seg
  • Classificazione: YOLOv8n-Cls YOLOv8s-Cls YOLOv8m-Cls YOLOv8l-Cls YOLOv8x-Cls

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

Come si esegue l'inferenza utilizzando un modello Ultralytics addestrato?

Per eseguire l'inferenza con un modello sottoposto a training:

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 le opzioni avanzate di inferenza, tra cui l'elaborazione in batch e l'inferenza video, consulta la guida dettagliata alla predizione.

I modelli di Ultralytics possono essere implementati su dispositivi edge o in ambienti di produzione?

Assolutamente sì! I modelli di Ultralytics sono progettati per essere utilizzati in modo versatile su diverse piattaforme:

  • Dispositivi edge: Ottimizza l'inferenza su dispositivi come NVIDIA Jetson o Intel Neural Compute Stick utilizzando 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 implementazioni cloud scalabili.
  • Web: Implementa l'inferenza nel browser utilizzando ONNX.js o TensorFlow.js.

Ultralytics offre 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.

Qual è la differenza tra YOLOv5 e YOLOv8?

Le distinzioni principali includono:

  • Architettura: YOLOv8 presenta un design migliorato della spina dorsale e della testina per migliorare le prestazioni.
  • Prestazioni: YOLOv8 offre generalmente un'accuratezza e una velocità superiori rispetto a YOLOv5.
  • Attività: YOLOv8 supporta in modo nativo il rilevamento degli oggetti, la segmentazione delle istanze e la classificazione in un quadro unificato.
  • Codebase: YOLOv8 è implementato con un'architettura più modulare ed estensibile, che facilita la personalizzazione e l'estensione.
  • Formazione: YOLOv8 incorpora tecniche di formazione avanzate come la formazione multi-dataset e l'evoluzione degli iperparametri per migliorare i risultati.

Per un confronto approfondito delle caratteristiche e delle prestazioni, visita la pagina di comparazione YOLOv5 vs YOLOv8.

Come posso contribuire al progetto open-source Ultralytics ?

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

  1. Eseguire il fork del Ultralytics repository su GitHub.
  2. Creare un nuovo ramo per la funzionalità o la correzione di bug.
  3. Apporta le modifiche e assicurati che tutti i test vengano superati.
  4. Inviare una richiesta pull con una descrizione chiara delle modifiche.
  5. Partecipare al processo di revisione del codice.

Puoi contribuire anche segnalando bug, suggerendo funzionalità o migliorando la documentazione. Per le linee guida dettagliate e le migliori pratiche, consulta la guida alla contribuzione.

Come si installa il pacchetto Ultralytics in Python?

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

pip install ultralytics

Per la versione di sviluppo più avanzata, installa direttamente dal repository GitHub:

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

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

Quali sono le caratteristiche principali di Ultralytics YOLO ?

Ultralytics YOLO vanta un ricco set di funzioni per il rilevamento avanzato degli oggetti e la segmentazione delle immagini:

  • Rilevamento in tempo reale: Rileva e classifica in modo efficiente gli oggetti in scenari in tempo reale.
  • Modelli pre-addestrati: Accedi a una serie di modelli pre-addestrati che bilanciano velocità e precisione per diversi casi d'uso.
  • Formazione personalizzata: Metti facilmente a punto i modelli su set di dati personalizzati con la flessibile pipeline di addestramento.
  • Ampie opzioni di distribuzione: Esporta i modelli in vari formati come TensorRT, ONNX e CoreML per distribuirli su diverse piattaforme.
  • Documentazione completa: Approfitta di una documentazione completa e di una comunità di supporto che ti guiderà nel tuo viaggio nella computer vision.

Esplora la pagina dei modelli diYOLO per un approfondimento sulle funzionalità e le architetture delle diverse versioni di YOLO .

Come posso migliorare le prestazioni del mio modello YOLO ?

Il miglioramento delle prestazioni del tuo modello YOLO può essere ottenuto attraverso diverse tecniche:

  1. Regolazione degli iperparametri: Sperimenta diversi iperparametri utilizzando la Guida alla regolazione degli iperparametri per ottimizzare le prestazioni del modello.
  2. Aumento dei dati: Implementa tecniche come il capovolgimento, la scala, la rotazione e le regolazioni del colore per migliorare il tuo set di dati di allenamento e la generalizzazione del modello.
  3. Apprendimento per trasferimento: Sfrutta i modelli pre-addestrati e mettili a punto sul tuo set di dati specifico utilizzando la guida Train YOLOv8.
  4. Esportazione in formati efficienti: Converti il tuo modello in formati ottimizzati come TensorRT o ONNX per velocizzare l'inferenza utilizzando la guida all'esportazione.
  5. Benchmarking: Utilizza la modalità Benchmark per misurare e migliorare sistematicamente la velocità e l'accuratezza dell'inferenza.

Posso distribuire i modelli di Ultralytics YOLO sui dispositivi mobili ed edge?

Sì, i modelli Ultralytics YOLO sono progettati per un'implementazione versatile, che comprende anche dispositivi mobili e periferici:

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

Come posso eseguire un'inferenza utilizzando un modello addestrato di Ultralytics YOLO ?

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

  1. Carica il modello:
from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")
  1. 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 le tecniche di inferenza avanzate, tra cui l'elaborazione in batch, l'inferenza video e la preelaborazione personalizzata, consulta la guida dettagliata alla predizione.

Dove posso trovare esempi e tutorial per l'utilizzo di Ultralytics?

Ultralytics fornisce una grande quantità di risorse per aiutarti a iniziare e a padroneggiare i suoi strumenti:

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

Se hai bisogno di ulteriore assistenza, non esitare a consultare la documentazione di Ultralytics o a contattare la comunità attraverso GitHub Issues o il forum di discussione ufficiale.



Creato 2023-11-12, Aggiornato 2024-07-05
Autori: glenn-jocher (5)

Commenti