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 is a computer vision AI company specializing in state-of-the-art object detection and image segmentation models, with a focus on the YOLO (You Only Look Once) family. Their offerings include:

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.

How can I train a custom YOLO11 model on my own dataset?

To train a custom YOLO11 model:

  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 offers a diverse range of pretrained YOLO11 models for various tasks:

  • Object Detection: YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x
  • Instance Segmentation: YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
  • Classification: YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls

These models vary in size and complexity, offering different trade-offs between speed and accuracy. Explore the full range of pretrained models to find the best fit for your project.

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: Leverage frameworks like TensorFlow Serving or PyTorch Serve for scalable cloud deployments.
  • 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.

What's the difference between YOLOv8 and YOLO11?

Le distinzioni principali includono:

  • Architecture: YOLO11 features an improved backbone and head design for enhanced performance.
  • Performance: YOLO11 generally offers superior accuracy and speed compared to YOLOv8.
  • Tasks: YOLO11 natively supports object detection, instance segmentation, and classification in a unified framework.
  • Codebase: YOLO11 is implemented with a more modular and extensible architecture, facilitating easier customization and extension.
  • Training: YOLO11 incorporates advanced training techniques like multi-dataset training and hyperparameter evolution for improved results.

For an in-depth comparison of features and performance metrics, visit the YOLO comparison page.

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. Hyperparameter Tuning: Experiment with different hyperparameters using the Hyperparameter Tuning Guide to optimize model performance.
  2. Data Augmentation: Implement techniques like flip, scale, rotate, and color adjustments to enhance your training dataset and improve model generalization.
  3. Transfer Learning: Leverage pre-trained models and fine-tune them on your specific dataset using the Train YOLO11 guide.
  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.

📅 Created 1 year ago ✏️ Updated 1 month ago

Commenti