Link to this sectionModalità di Ultralytics YOLO26#

Link to this sectionIntroduzione#

Ultralytics YOLO26 non è solo un altro modello di rilevamento oggetti; è un framework versatile progettato per coprire l'intero ciclo di vita dei modelli di machine learning, dall'acquisizione dei dati e l'addestramento del modello alla convalida, al deployment e al tracking nel mondo reale. Ogni modalità serve a uno scopo specifico ed è progettata per offrirti la flessibilità e l'efficienza richieste per diverse attività e casi d'uso.

Link to this sectionPanoramica delle modalità#

Comprendere le diverse modalità supportate da Ultralytics YOLO26 è fondamentale per ottenere il massimo dai tuoi modelli:

• Train (Addestramento): Ottimizza il tuo modello su dataset personalizzati o precaricati.
• Val (Convalida): Un checkpoint post-addestramento per convalidare le prestazioni del modello.
• Predict (Predizione): Sfrutta la potenza predittiva del tuo modello su dati del mondo reale.
• Export (Esportazione): Rendi il tuo model deployment pronto in vari formati.
• Track (Tracking): Estendi il tuo modello di rilevamento oggetti in applicazioni di tracking in tempo reale.
• Benchmark (Benchmark): Analizza la velocità e l'accuratezza del tuo modello in diversi ambienti di deployment.

Questa guida completa mira a fornirti una panoramica e approfondimenti pratici su ogni modalità, aiutandoti a sfruttare il pieno potenziale di YOLO26.

Link to this sectionTrain#

La modalità Train è utilizzata per addestrare un modello YOLO26 su un dataset personalizzato. In questa modalità, il modello viene addestrato utilizzando il dataset specificato e gli iperparametri. Il processo di addestramento comporta l'ottimizzazione dei parametri del modello in modo che possa prevedere accuratamente le classi e le posizioni degli oggetti in un'immagine. L'addestramento è essenziale per creare modelli in grado di riconoscere oggetti specifici rilevanti per la tua applicazione.

Esempi di Train

Link to this sectionVal#

La modalità Val è utilizzata per convalidare un modello YOLO26 dopo che è stato addestrato. In questa modalità, il modello viene valutato su un set di convalida per misurarne l'accuratezza e le prestazioni di generalizzazione. La convalida aiuta a identificare potenziali problemi come l'overfitting e fornisce metriche come la mean Average Precision (mAP) per quantificare le prestazioni del modello. Questa modalità è fondamentale per ottimizzare gli iperparametri e migliorare l'efficacia complessiva del modello.

Esempi di Val

Link to this sectionPredict#

La modalità Predict è utilizzata per effettuare previsioni utilizzando un modello YOLO26 addestrato su nuove immagini o video. In questa modalità, il modello viene caricato da un file checkpoint e l'utente può fornire immagini o video per eseguire l'inferenza. Il modello identifica e localizza gli oggetti nei media di input, rendendolo pronto per applicazioni del mondo reale. La modalità Predict è il gateway per applicare il tuo modello addestrato alla risoluzione di problemi pratici.

Esempi di Predict

Link to this sectionExport#

La modalità Export è utilizzata per convertire un modello YOLO26 in formati adatti al deployment su diverse piattaforme e dispositivi. Questa modalità trasforma il tuo modello PyTorch in formati ottimizzati come ONNX, TensorRT o CoreML, consentendo il deployment in ambienti di produzione. L'esportazione è essenziale per integrare il tuo modello con varie applicazioni software o dispositivi hardware, portando spesso a significativi miglioramenti delle prestazioni.

Esempi di Export

Link to this sectionTrack#

La modalità Track estende le funzionalità di rilevamento oggetti di YOLO26 per tracciare oggetti attraverso frame video o streaming live. Questa modalità è particolarmente preziosa per le applicazioni che richiedono un'identificazione persistente degli oggetti, come i sistemi di sorveglianza o le auto a guida autonoma. La modalità Track implementa tracker sofisticati come BoT-SORT (predefinito) e ByteTrack per mantenere l'identità dell'oggetto tra i frame, anche quando gli oggetti scompaiono temporaneamente dalla visuale.

Esempi di Track

Link to this sectionBenchmark#

La modalità Benchmark profila la velocità e l'accuratezza di vari formati di esportazione per YOLO26. Questa modalità fornisce metriche complete sulla dimensione del modello, l'accuratezza (mAP50-95 per attività di rilevamento o accuracy_top1 per classificazione) e il tempo di inferenza su diversi formati come ONNX, OpenVINO e TensorRT. Il benchmarking ti aiuta a selezionare il formato di esportazione ottimale in base ai tuoi requisiti specifici di velocità e accuratezza nel tuo ambiente di deployment.

Esempi di Benchmark

Link to this sectionFAQ#

Link to this sectionCome addestrare un modello personalizzato di object detection con Ultralytics YOLO26?#

L'addestramento di un modello di rilevamento oggetti personalizzato con Ultralytics YOLO26 comporta l'utilizzo della modalità train. Hai bisogno di un dataset formattato in YOLO format, contenente immagini e i relativi file di annotazione. Usa il comando seguente per avviare il processo di addestramento:

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

Per istruzioni più dettagliate, puoi fare riferimento alla Ultralytics Train Guide.

Link to this sectionQuali metriche utilizza Ultralytics YOLO26 per convalidare le prestazioni del modello?#

Ultralytics YOLO26 utilizza varie metriche durante il processo di convalida per valutare le prestazioni del modello. Queste includono:

• mAP (mean Average Precision): Questa valuta l'accuratezza del rilevamento oggetti.
• IOU (Intersection over Union): Misura la sovrapposizione tra i bounding box previsti e quelli reali (ground truth).
• Precision e Recall: La precision misura il rapporto tra le rilevazioni positive vere e il totale dei positivi rilevati, mentre la recall misura il rapporto tra le rilevazioni positive vere e il totale dei positivi effettivi.

Puoi eseguire il comando seguente per avviare la convalida:

from ultralytics import YOLO

# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

Fai riferimento alla Validation Guide per ulteriori dettagli.

Link to this sectionCome posso esportare il mio modello YOLO26 per il deployment?#

Ultralytics YOLO26 offre funzionalità di esportazione per convertire il tuo modello addestrato in vari formati di deployment come ONNX, TensorRT, CoreML e altri. Usa l'esempio seguente per esportare il tuo modello:

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")

I passaggi dettagliati per ogni formato di esportazione possono essere trovati nella Export Guide.

Link to this sectionQual è lo scopo della modalità benchmark in Ultralytics YOLO26?#

La modalità Benchmark in Ultralytics YOLO26 è utilizzata per analizzare la velocità e l'accuratezza di vari formati di esportazione come ONNX, TensorRT e OpenVINO. Fornisce metriche come la dimensione del modello, mAP50-95 per il rilevamento oggetti e il tempo di inferenza su diverse configurazioni hardware, aiutandoti a scegliere il formato più adatto alle tue esigenze di deployment.

from ultralytics.utils.benchmarks import benchmark

# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

Per maggiori dettagli, fai riferimento alla Benchmark Guide.

Link to this sectionCome posso eseguire il tracking di oggetti in tempo reale utilizzando Ultralytics YOLO26?#

Il tracking di oggetti in tempo reale può essere ottenuto utilizzando la modalità track in Ultralytics YOLO26. Questa modalità estende le capacità di rilevamento oggetti per tracciare oggetti attraverso i fotogrammi video o i feed live. Usa l'esempio seguente per abilitare il tracking:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

Per istruzioni approfondite, visita la Track Guide.