Inizia

Modalità di Ultralytics YOLO26

Ultralytics YOLO ecosystem and integrations

Introduzione#

Ultralytics YOLO26 è più di un modello di rilevamento di oggetti: il framework Ultralytics copre l'intero ciclo di vita dei modelli di machine learning, dall'addestramento e dalla convalida alla previsione, all'esportazione, al tracciamento e al benchmarking. Ogni modalità ha uno scopo specifico in questo flusso di lavoro.

Per informazioni sul supporto previsto per YOLO27, consulta l'anteprima di YOLO27. YOLO27 arriverà a breve e non è ancora disponibile; questa guida usa i modelli YOLO26 rilasciati.



Guarda: Tutorial sulle modalità Ultralytics: train, validate, predict, export e benchmark.

Panoramica delle modalità#

Ultralytics YOLO26 supporta le seguenti modalità:

  • Modalità Train: addestra o esegui il fine-tuning del modello su dataset personalizzati o integrati.
  • Modalità Val: convalida le prestazioni del modello dopo l'addestramento.
  • Modalità Predict: esegui l'inferenza con il tuo modello su nuove immagini, video e flussi.
  • Modalità Export: converti il modello in formati pronti per la distribuzione del modello.
  • Modalità Track: traccia oggetti tra i fotogrammi video e nei flussi in diretta in tempo reale.
  • Modalità Benchmark: analizza la velocità e l'accuratezza del tuo modello in diversi ambienti di deployment.

Le sezioni seguenti riassumono ogni modalità e rimandano alla guida completa.

Addestra#

La modalità Train serve per addestrare un modello YOLO26 su un dataset personalizzato. In questa modalità, il modello viene addestrato usando il dataset e gli iperparametri specificati. Il processo di addestramento ottimizza i parametri del modello affinché possa prevedere con precisione 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

Convalida#

La modalità Val serve per convalidare un modello YOLO26 dopo l'addestramento. 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 individuare potenziali problemi come l'overfitting e fornisce metriche come la precisione media (mAP) per quantificare le prestazioni del modello. I risultati della convalida guidano la messa a punto degli iperparametri e altri miglioramenti del modello.

Esempi di Val

Predici#

La modalità Predict serve per generare previsioni con 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 su cui eseguire l'inferenza. Il modello identifica e localizza gli oggetti nei contenuti multimediali di input. La modalità Predict ti permette di applicare il modello addestrato a problemi pratici.

Esempi di Predict

Esporta#

La modalità Export serve a 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, consentendone il deployment in ambienti di produzione. L'esportazione è essenziale per integrare il tuo modello con diverse applicazioni software o dispositivi hardware e spesso comporta notevoli miglioramenti delle prestazioni.

Esempi di Export

Tracciamento#

La modalità Track estende le capacità di rilevamento degli oggetti di YOLO26 per tracciare gli oggetti nei fotogrammi video o nei flussi in diretta. Questa modalità è particolarmente utile per le applicazioni che richiedono un'identificazione persistente degli oggetti, come i sistemi di sorveglianza o le auto a guida autonoma. Include sei tracker: TrackTrack (predefinito), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT e FastTracker.

Esempi di Track

Benchmark#

La modalità benchmark profila la velocità e la precisione dei vari formati di esportazione per YOLO26. Questa modalità fornisce metriche complete sulle dimensioni del modello, sulla precisione (mAP50-95 per rilevamento, segmentazione, posa e OBB; mIoU per segmentazione semantica; δ1 per la profondità; oppure accuracy_top1 per la classificazione) e sul tempo di inferenza nei diversi formati, come ONNX, OpenVINO e TensorRT. Il benchmarking ti aiuta a scegliere il formato di esportazione ottimale in base ai requisiti specifici di velocità e precisione dell'ambiente di distribuzione.

Esempi di Benchmark

Domande frequenti#

  • Per addestrare un modello personalizzato di rilevamento degli oggetti con Ultralytics YOLO26, usa la modalità train. Ti serve un dataset nel formato YOLO, contenente immagini e i relativi file di annotazione. Usa il comando seguente per avviare l'addestramento:

    Esempio
    from ultralytics import YOLO
    
    # Carica un modello YOLO preaddestrato (puoi scegliere le versioni n, s, m, l o x)
    model = YOLO("yolo26n.pt")
    
    # Avvia l'addestramento sul tuo dataset personalizzato
    model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

    Per istruzioni più dettagliate, consulta la guida all'addestramento di Ultralytics.

  • Durante la convalida, Ultralytics YOLO26 usa diverse metriche per valutare le prestazioni del modello. Tra queste:

    • mAP (precisione media media): valuta l'accuratezza del rilevamento degli oggetti.
    • IoU (intersezione sull'unione): misura la sovrapposizione tra i riquadri di delimitazione previsti e quelli di riferimento.
    • Precisione e richiamo: la precisione misura il rapporto tra i rilevamenti di veri positivi e il totale dei positivi rilevati, mentre il richiamo misura il rapporto tra i rilevamenti di veri positivi e il totale dei positivi effettivi.

    Puoi eseguire il comando seguente per avviare la convalida:

    Esempio
    from ultralytics import YOLO
    
    # Carica un modello YOLO preaddestrato o personalizzato
    model = YOLO("yolo26n.pt")
    
    # Esegui la convalida sul tuo dataset
    model.val(data="path/to/validation.yaml")

    Per ulteriori dettagli, consulta la guida alla convalida.

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

    Esempio
    from ultralytics import YOLO
    
    # Carica il tuo modello YOLO addestrato
    model = YOLO("yolo26n.pt")
    
    # Esporta il modello in formato ONNX (puoi specificare altri formati secondo necessità)
    model.export(format="onnx")

    Puoi trovare i passaggi dettagliati per ogni formato di esportazione nella guida all'esportazione.

  • La modalità benchmark di Ultralytics YOLO26 viene usata per analizzare la velocità e la precisione dei vari formati di esportazione, come ONNX, TensorRT e OpenVINO. Fornisce metriche quali le dimensioni del modello, mAP50-95 per il rilevamento di oggetti e il tempo di inferenza su diverse configurazioni hardware, aiutandoti a scegliere il formato più adatto alle tue esigenze di distribuzione.

    Esempio
    from ultralytics.utils.benchmarks import benchmark
    
    # Esegui il benchmark sulla GPU (dispositivo 0)
    # Puoi modificare parametri come modello, dataset, dimensioni dell'immagine e precisione secondo necessità
    benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)

    Per maggiori dettagli, consulta la guida al benchmark.

  • Puoi eseguire il tracking degli oggetti in tempo reale usando la modalità track di Ultralytics YOLO26. Questa modalità estende le capacità di rilevamento degli oggetti per tracciarli attraverso i fotogrammi video o i flussi live. Usa l'esempio seguente per attivare il tracking:

    Esempio
    from ultralytics import YOLO
    
    # Carica un modello YOLO preaddestrato
    model = YOLO("yolo26n.pt")
    
    # Avvia il tracking degli oggetti in un video
    # Puoi anche usare flussi video live o l'input di una webcam
    model.track(source="path/to/video.mp4")

    Per istruzioni dettagliate, consulta la guida al tracking.

Commenti7

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.

  1. Monkey1GItGitHub

    The Chinese web page translation is very bad, for example, "train" should be "训练", but translated into "火车"

    And can not switch to English page, click the EN button, will still switch to Chinese page

    2
    1. Glenn JocherUltralytics

      Hey there! 😊 Thanks for bringing this to our attention. We're sorry for the inconvenience caused by the translation errors and the issue with the language switch button. We're constantly working on improving our documentation and its accessibility, including accurate translations.

      For the translation issue, we'll look into it and aim to correct those errors, like "train" being incorrectly translated. Your feedback is invaluable in helping us enhance the user experience.

      Regarding the language switch issue, we're investigating this and will work on a fix. In the meantime, if you're still unable to switch to the English page, you might try clearing your browser's cache or using a different browser as a temporary workaround.

      If you have any more feedback or need further assistance, please don't hesitate to reach out. Thanks for your support and understanding! 🙏

    1. Glenn JocherUltralytics(modificato)

      @myangel1972 8.3.6 is a release number of the ultralytics Python package, while YOLO11 is a model family. YOLO26 is now the latest and recommended model, offering improved performance across tasks like detection, segmentation, and tracking. For detailed differences, please refer to the release notes on the Ultralytics GitHub page.

    2. myangel1972GitHub

      thanks a lot for your quickly reply!but I still have a question,on the right top of this page,there is a tag with 8.3.7(yesterday it was 8.3.6), so i am confused that what is the relatonship between 8.3.7 and yolo 11?

    3. Glenn JocherUltralytics(modificato)

      @myangel1972 version numbers like 8.3.7 are releases of the ultralytics package (which supports YOLOv8, YOLO11 and later models), including improvements and bug fixes. YOLO11 is a separate model family released in that package line, so the two numbers are not comparable.

      1