Modalità di Ultralytics YOLO26#
Introduzione#
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.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
Panoramica 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.
Train#
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.
Val#
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.
Predict#
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.
Export#
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.
Track#
La modalità Track estende le funzionalità di rilevamento oggetti di YOLO26 per tracciare oggetti attraverso frame video o live stream. Questa modalità è particolarmente preziosa per applicazioni che richiedono l'identificazione persistente degli oggetti, come sistemi di sorveglianza o auto a guida autonoma. La modalità Track implementa tracker sofisticati come BoT-SORT (predefinito) e ByteTrack per mantenere l'identità degli oggetti tra i frame, anche quando gli oggetti scompaiono temporaneamente dalla vista.
Benchmark#
La modalità Benchmark analizza la velocità e l'accuratezza di vari formati di esportazione per YOLO26. Questa modalità fornisce metriche complete sulla dimensione del modello, sull'accuratezza (mAP50-95 per i task di rilevamento o accuracy_top1 per quelli di classificazione) e sul 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 accuratezza nel tuo ambiente di deployment.
FAQ#
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:
Esempiofrom 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.
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:
Esempiofrom 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.
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:
Esempiofrom 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.
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,
mAP50-95per il rilevamento 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 # 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, device=0)Per maggiori dettagli, fai riferimento alla Benchmark Guide.
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:
Esempiofrom 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.