Vai al contenuto

Modalità di Ultralytics YOLO11

Ecosistema e integrazioni Ultralytics YOLO

Introduzione

Ultralytics YOLO11 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, alla distribuzione e al tracciamento 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.



Guarda: Tutorial sulle modalità di Ultralytics: addestramento, convalida, previsione, esportazione e benchmark.

Modalità in sintesi

Comprendere le diverse modalità supportate da Ultralytics YOLO11 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 ha lo scopo di fornirti una panoramica e approfondimenti pratici su ciascuna modalità, aiutandoti a sfruttare appieno il potenziale di YOLO11.

Addestramento

La modalità Train viene utilizzata per addestrare un modello YOLO11 su un dataset personalizzato. In questa modalità, il modello viene addestrato utilizzando il dataset e gli iperparametri specificati. Il processo di addestramento prevede 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.

Esempi di addestramento

Valutazione

La modalità Val viene utilizzata per convalidare un modello YOLO11 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 la messa a punto degli iperparametri e per migliorare l'efficacia complessiva del modello.

Esempi di convalida

Predizione

La modalità Predict viene utilizzata per fare previsioni utilizzando un modello YOLO11 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 tuo modello addestrato per risolvere problemi pratici.

Esempi di Predict

Esportazione

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

Esempi di Export

Tracciamento

La modalità Track estende le capacità di rilevamento oggetti di YOLO11 per tracciare oggetti attraverso fotogrammi video o streaming live. Questa modalità è particolarmente utile per 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 degli oggetti attraverso i fotogrammi, anche quando gli oggetti scompaiono temporaneamente dalla vista.

Esempi di Track

Benchmark

La modalità benchmark profila la velocità e l'accuratezza di vari formati di esportazione per YOLO11. Questa modalità fornisce metriche complete su dimensione del modello, accuratezza (mAP50-95 per attività di detection o accuracy_top5 per classificazione) e tempo di inferenza in diversi formati come ONNX, OpenVINO e TensorRT. Il benchmarking aiuta a selezionare il formato di esportazione ottimale in base ai requisiti specifici di velocità e accuratezza nel proprio ambiente di deployment.

Esempi di Benchmark

FAQ

Come posso addestrare un modello personalizzato di object detection con Ultralytics YOLO11?

L'addestramento di un modello personalizzato di object detection con Ultralytics YOLO11 prevede l'utilizzo della modalità train. È necessario un dataset formattato in formato YOLO, contenente immagini e file di annotazione corrispondenti. Utilizzare il seguente comando per avviare il processo di addestramento:

Esempio

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 all'addestramento di Ultralytics.

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

Ultralytics YOLO11 utilizza varie metriche durante il processo di convalida per valutare le prestazioni del modello. Queste includono:

  • mAP (mean Average Precision): 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 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

Consultare la Guida alla convalida per ulteriori dettagli.

Come posso esportare il mio modello YOLO11 per la distribuzione?

Ultralytics YOLO11 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("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 ogni formato di esportazione sono disponibili nella Guida all'esportazione.

Qual è lo scopo della modalità benchmark in Ultralytics YOLO11?

La modalità Benchmark in Ultralytics YOLO11 viene utilizzata per analizzare la velocità e 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="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 al Benchmark.

Come posso eseguire il tracciamento di oggetti in tempo reale utilizzando Ultralytics YOLO11?

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

Esempio

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 dettagliate, visitare la Guida al tracciamento.



📅 Creato 1 anno fa ✏️ Aggiornato 5 mesi fa

Commenti