Modalità di Ultralytics YOLO26#
Introduzione#
Ultralytics YOLO26 non è un semplice modello di rilevamento di oggetti: è un framework versatile progettato per coprire l'intero ciclo di vita dei modelli di machine learning, dall'acquisizione dei dati e dal training del modello fino alla validazione, al deployment e al tracking nel mondo reale. Ogni modalità ha uno scopo specifico ed è progettata per offrirti la flessibilità e l'efficienza necessarie per diverse attività e casi d'uso.
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#
Conoscere le diverse modalità supportate da Ultralytics YOLO26 è fondamentale per sfruttare al meglio i tuoi modelli:
- Modalità Train: ottimizza il tuo modello su dataset personalizzati o precaricati.
- Modalità Val: checkpoint post-training per convalidare le prestazioni del modello.
- Modalità Predict: sfrutta la capacità predittiva del tuo modello su dati del mondo reale.
- Modalità Export: prepara il tuo modello per il deployment in diversi formati.
- Modalità Track: estende il tuo modello di rilevamento di oggetti alle applicazioni di tracking in tempo reale.
- Modalità Benchmark: analizza la velocità e l'accuratezza del tuo modello in diversi ambienti di deployment.
Questa guida completa mira a offrirti una panoramica e indicazioni pratiche su ogni modalità, aiutandoti a sfruttare appieno il potenziale di YOLO26.
Train#
La modalità Train serve ad 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 training ottimizza i parametri del modello affinché possa prevedere con precisione le classi e le posizioni degli oggetti in un'immagine. Il training è essenziale per creare modelli in grado di riconoscere oggetti specifici pertinenti alla tua applicazione.
Val#
La modalità Val serve a convalidare un modello YOLO26 dopo il training. In questa modalità, il modello viene valutato su un set di validazione per misurarne l'accuratezza e le capacità di generalizzazione. La validazione aiuta a identificare potenziali problemi come l'overfitting e fornisce metriche come la precisione media media (mAP) per quantificare le prestazioni del modello. Questa modalità è fondamentale per ottimizzare gli iperparametri e migliorare l'efficacia complessiva del modello.
Predict#
La modalità Predict serve a generare predizioni 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 in input, rendendolo pronto per le applicazioni nel mondo reale. La modalità Predict consente di applicare il modello addestrato per risolvere problemi pratici.
Export#
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.
Traccia#
La modalità Track estende le capacità di rilevamento degli oggetti di YOLO26, consentendo di tracciare gli oggetti attraverso i fotogrammi video o i flussi live. Questa modalità è particolarmente utile per le applicazioni che richiedono l'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.
Benchmark#
La modalità Benchmark analizza la velocità e l'accuratezza dei vari formati di esportazione per YOLO26. Fornisce metriche complete sulle dimensioni del modello, sull'accuratezza (mAP50-95 per rilevamento, segmentazione, posa e OBB; mIoU per la segmentazione semantica; delta1 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 selezionare il formato di esportazione ottimale in base ai tuoi requisiti specifici di velocità e accuratezza nell'ambiente di deployment.
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:
Esempiofrom 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 predetti 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:
Esempiofrom 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:
Esempiofrom 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 serve ad analizzare la velocità e l'accuratezza dei vari formati di esportazione, come ONNX, TensorRT e OpenVINO. Fornisce metriche quali le dimensioni del modello,
mAP50-95per il rilevamento degli oggetti e il tempo di inferenza su diverse configurazioni hardware, aiutandoti a scegliere il formato più adatto alle tue esigenze di deployment.Esempiofrom 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:
Esempiofrom 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.