Ultralytics YOLO11 Modalità

Introduzione

Ultralytics YOLO11 non è solo un altro modello di rilevamento di oggetti; è un framework versatile progettato per coprire l'intero ciclo di vita dei modelli di apprendimento automatico, dall'ingestione dei dati e l'addestramento dei modelli alla convalida, la distribuzione e il monitoraggio nel mondo reale. Ciascuna modalità ha uno scopo specifico ed è progettata per offrire la flessibilità e l'efficienza necessarie per attività e casi d'uso diversi.

Guarda: Ultralytics Esercitazioni sulle modalità: Addestramento, convalida, previsione, esportazione e benchmark.

Le modalità in sintesi

La comprensione delle diverse modalità supportate da Ultralytics YOLO11 è fondamentale per ottenere il massimo dai vostri modelli:

• Modalità di addestramento: Perfezionare il modello su insiemi di dati personalizzati o precaricati.
• Modalità Val: Un checkpoint post-training per convalidare le prestazioni del modello.
• Modalità di previsione: Scatenate la potenza predittiva del vostro modello su dati reali.
• Modalità di esportazione: Rendete il vostro modello pronto per la distribuzione in vari formati.
• Modalità di tracciamento: Estendete il vostro modello di rilevamento degli oggetti alle applicazioni di tracciamento in tempo reale.
• Modalità Benchmark: Analizzare la velocità e la precisione del modello in diversi ambienti di distribuzione.

Questa guida completa mira a fornire una panoramica e approfondimenti pratici su ciascuna modalità, aiutandovi a sfruttare tutto il potenziale di YOLO11.

Treno

La modalità Train è utilizzata per addestrare un modello YOLO11 su un set di dati personalizzato. In questa modalità, il modello viene addestrato utilizzando il set di dati e gli iperparametri specificati. Il processo di addestramento prevede l'ottimizzazione dei parametri del modello in modo che 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 l'applicazione.

Esempi di treni

Val

La modalità Val è utilizzata per convalidare un modello YOLO11 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 precisione media (mAP) per quantificare le prestazioni del modello. Questa modalità è fondamentale per mettere a punto gli iperparametri e migliorare l'efficacia complessiva del modello.

Esempi di valori

Prevedere

La modalità Predict è utilizzata per fare previsioni utilizzando un modello YOLO11 addestrato su nuove immagini o video. In questa modalità, il modello viene caricato da un file di checkpoint e l'utente può fornire immagini o video per eseguire l'inferenza. Il modello identifica e localizza gli oggetti nei media in ingresso, rendendolo pronto per le applicazioni del mondo reale. La modalità Predict è la porta d'accesso all'applicazione del modello addestrato per risolvere problemi pratici.

Prevedere gli esempi

Esportazione

La modalità di esportazione è utilizzata per convertire un modello YOLO11 in formati adatti alla distribuzione su piattaforme e dispositivi diversi. Questa modalità trasforma il modello PyTorch in formati ottimizzati come ONNX, TensorRT o CoreML, consentendo la distribuzione in ambienti di produzione. L'esportazione è essenziale per l'integrazione del modello con varie applicazioni software o dispositivi hardware, spesso con significativi miglioramenti delle prestazioni.

Esempi di esportazione

Traccia

La modalità Track estende le capacità di rilevamento degli oggetti di YOLO11 per tracciare gli oggetti nei fotogrammi video o nei 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. La modalità Track implementa algoritmi sofisticati come ByteTrack per mantenere l'identità dell'oggetto tra i fotogrammi, anche quando gli oggetti scompaiono temporaneamente dalla vista.

Esempi di tracce

Benchmark

La modalità Benchmark analizza la velocità e l'accuratezza di vari formati di esportazione per YOLO11. Questa modalità fornisce metriche complete sulla dimensione del modello, sull'accuratezza (mAP50-95 per i compiti di rilevamento o accuracy_top5 per la classificazione) e sul tempo di inferenza in diversi formati come ONNX, OpenVINOe TensorRT. Il benchmarking aiuta a selezionare il formato di esportazione ottimale in base ai requisiti specifici di velocità e precisione nel proprio ambiente di distribuzione.

Esempi di benchmark

FAQ

Come si addestra un modello di rilevamento degli oggetti personalizzato con Ultralytics YOLO11 ?

L'addestramento di un modello personalizzato di rilevamento degli oggetti con Ultralytics YOLO11 prevede l'uso della modalità di addestramento. È necessario un set di dati formattato nel formato YOLO , contenente immagini e file di annotazione corrispondenti. Utilizzare il seguente comando per avviare il processo di addestramento:

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.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 train data=path/to/dataset.yaml epochs=100 imgsz=640

Per istruzioni più dettagliate, è possibile consultare la Guida del trenoUltralytics .

Quali metriche utilizza Ultralytics YOLO11 per convalidare le prestazioni del modello?

Ultralytics YOLO11 utilizza diverse metriche durante il processo di validazione per valutare le prestazioni del modello. Questi includono:

• mAP (mean Average Precision): Valuta l'accuratezza del rilevamento degli oggetti.
• IOU (Intersection over Union): Misura la sovrapposizione tra i riquadri di delimitazione previsti e quelli della verità a terra.
• Precisione e richiamo: La precisione misura il rapporto tra i veri positivi rilevati e il totale dei positivi rilevati, mentre il richiamo misura il rapporto tra i veri positivi rilevati e il totale dei positivi effettivi.

È possibile eseguire il seguente comando per avviare la convalida:

from ultralytics import YOLO

# Load a pre-trained or custom YOLO model
model = YOLO("yolo11n.pt")

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

# Validate a YOLO model from the command line
yolo val data=path/to/validation.yaml

Per ulteriori dettagli, consultare la Guida alla convalida.

Come posso esportare il mio modello YOLO11 per la distribuzione?

Ultralytics YOLO11 offre una funzionalità di esportazione per convertire il modello addestrato in vari formati di distribuzione, come ONNX, TensorRT, CoreML, e altri ancora. Utilizzate il seguente esempio per esportare il vostro modello:

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo11n.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=yolo11n.pt format=onnx

I passaggi dettagliati per ciascun formato di esportazione sono riportati nella Guida all'esportazione.

Qual è lo scopo della modalità benchmark in Ultralytics YOLO11 ?

La modalità Benchmark di Ultralytics YOLO11 viene utilizzata per analizzare la velocità e il precisione di vari formati di esportazione, come ONNX, TensorRT e OpenVINO. Fornisce metriche come le dimensioni del modello, mAP50-95 per il rilevamento degli oggetti e il tempo di inferenza su diverse configurazioni hardware, aiutandovi a scegliere il formato più adatto alle vostre esigenze di implementazione.

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="yolo11n.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=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0

Per maggiori dettagli, consultare la Guida ai benchmark.

Come si può eseguire il tracciamento degli oggetti in tempo reale utilizzando Ultralytics YOLO11 ?

Il tracciamento degli oggetti in tempo reale può essere ottenuto utilizzando la modalità track di Ultralytics YOLO11 . Questa modalità estende le capacità di rilevamento degli oggetti per tracciarli attraverso i fotogrammi video o i feed live. Utilizzare il seguente esempio per abilitare il tracciamento:

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.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 source=path/to/video.mp4

Per istruzioni approfondite, visitate la Guida ai binari.

📅C reato 1 anno fa ✏️ Aggiornato 6 giorni fa

Commenti