Modalità Ultralytics YOLO26
Introduzione
Ultralytics YOLO26 non è solo un altro modello di object detect; 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 validazione, al deployment e al tracking nel mondo reale. Ogni modalità serve a uno scopo specifico ed è progettata per offrire la flessibilità e l'efficienza richieste per diverse attività e casi d'uso.
Guarda: Tutorial sulle modalità di Ultralytics: addestramento, convalida, previsione, esportazione e benchmark.
Modalità in sintesi
Comprendere le diverse modalità supportate da Ultralytics YOLO26 è fondamentale per ottenere il massimo dai tuoi modelli:
- Modalità Train: ottimizza il tuo modello su set di dati personalizzati o precaricati.
- Modalità Val: un checkpoint post-addestramento per convalidare le prestazioni del modello.
- Modalità Predict: libera la potenza predittiva del tuo modello sui dati del mondo reale.
- Modalità Export: prepara il tuo modello per la distribuzione in vari formati.
- Modalità Track: estendi il tuo modello di rilevamento oggetti in applicazioni di tracciamento in tempo reale.
- Modalità Benchmark: analizza la velocità e l'accuratezza del tuo modello in diversi ambienti di distribuzione.
Questa guida completa mira a fornire una panoramica e approfondimenti pratici su ogni modalità, aiutandoti a sfruttare appieno il potenziale di YOLO26.
Addestramento
La modalità Train viene utilizzata per addestrare un modello YOLO26 su un dataset custom. In questa modalità, il modello viene addestrato utilizzando il dataset e gli iperparametri specificati. Il processo di addestramento comporta l'ottimizzazione dei parametri del modello in modo che possa predire 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.
Valutazione
La modalità Val viene utilizzata per validare un modello YOLO26 dopo che è stato addestrato. In questa modalità, il modello viene valutato su un set di validazione per misurarne l'accuratezza e le prestazioni di generalizzazione. La validazione 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 cruciale per la messa a punto degli iperparametri e per migliorare l'efficacia complessiva del modello.
Predizione
La modalità Predict viene utilizzata per effettuare predizioni 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 nel mondo reale. La modalità Predict è la porta d'accesso per applicare il modello addestrato alla risoluzione di problemi pratici.
Esportazione
La modalità Export viene 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, spesso con conseguenti significativi miglioramenti delle prestazioni.
Tracciamento
La modalità track estende le capacità di rilevamento oggetti di YOLO26 per trackare oggetti attraverso i fotogrammi video o i flussi live. Questa modalità è particolarmente preziosa per applicazioni che richiedono un'identificazione persistente degli oggetti, come i sistemi di sorveglianza o le auto a guida autonoma. La modalità track implementa algoritmi sofisticati come ByteTrack per mantenere l'identità degli oggetti tra i fotogrammi, anche quando gli oggetti scompaiono temporaneamente dalla vista.
Benchmark
La modalità benchmark profila la velocità e la precisione di vari formati di esportazione per YOLO26. Questa modalità fornisce metriche complete su dimensione del modello, precisione (mAP50-95 per i task di detect o accuracy_top5 per la classificazione) e tempo di inferenza attraverso 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 precisione nel tuo ambiente di deployment.
FAQ
Come si addestra un modello di rilevamento oggetti personalizzato con Ultralytics YOLO26?
L'addestramento di un modello di rilevamento oggetti personalizzato con Ultralytics YOLO26 implica l'uso della modalità di addestramento (train mode). È necessario un dataset formattato in formato YOLO, contenente immagini e i relativi file di annotazione. Utilizzare il seguente comando per avviare il processo di addestramento:
Esempio
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)
# Train a YOLO model from the command line
yolo detect train data=path/to/dataset.yaml model=yolo26n.pt epochs=100 imgsz=640
Per istruzioni più dettagliate, è possibile consultare la Guida all'addestramento di Ultralytics.
Quali metriche utilizza Ultralytics YOLO26 per validare le prestazioni del modello?
Ultralytics YOLO26 utilizza diverse metriche durante il processo di validazione per valutare le prestazioni del modello. Queste includono:
- mAP (precisione media media): Questo valuta l'accuratezza dell'object detection.
- IOU (Intersection over Union): Misura la sovrapposizione tra le bounding box previste e quelle ground truth.
- Precisione e Recall: La precisione misura il rapporto tra i rilevamenti true positive e il totale dei positivi rilevati, mentre il recall misura il rapporto tra i rilevamenti true positive e il totale dei positivi effettivi.
È possibile eseguire il comando seguente per avviare la convalida:
Esempio
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")
# Validate a YOLO model from the command line
yolo val model=yolo26n.pt data=path/to/validation.yaml
Consultare la Guida alla convalida per ulteriori dettagli.
Come posso esportare il mio modello YOLO26 per il deployment?
Ultralytics YOLO26 offre funzionalità di esportazione per convertire il modello addestrato in vari formati di deployment come ONNX, TensorRT, CoreML e altri. Utilizzare il seguente esempio per esportare il modello:
Esempio
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")
# Export a YOLO model to ONNX format from the command line
yolo export model=yolo26n.pt format=onnx
I passaggi dettagliati per ogni formato di esportazione sono disponibili nella Guida all'esportazione.
Qual è lo scopo della modalità benchmark in Ultralytics YOLO26?
La modalità benchmark in Ultralytics YOLO26 viene utilizzata per analizzare la velocità e la accuratezza di vari formati di esportazione come ONNX, TensorRT e OpenVINO. Fornisce metriche come la dimensione del modello, mAP50-95 per l'object detection e il tempo di inferenza su diverse configurazioni hardware, aiutandoti a scegliere il formato più adatto alle tue esigenze di deployment.
Esempio
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)
# Benchmark a YOLO model from the command line
# Adjust parameters as needed for your specific use case
yolo benchmark model=yolo26n.pt data='coco8.yaml' imgsz=640 half=False device=0
Per maggiori dettagli, consultare la Guida al Benchmark.
Come posso eseguire il tracking di oggetti in tempo reale utilizzando Ultralytics YOLO26?
Il track di oggetti in tempo reale può essere ottenuto utilizzando la modalità track in Ultralytics YOLO26. Questa modalità estende le capacità di rilevamento oggetti per trackare oggetti attraverso i fotogrammi video o i feed live. Utilizzare il seguente esempio per abilitare il tracking:
Esempio
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")
# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track model=yolo26n.pt source=path/to/video.mp4
Per istruzioni dettagliate, visitare la Guida al tracciamento.
