Vai al contenuto

Ultralytics YOLOv8 Modalità

Ultralytics YOLO ecosistema e integrazioni

Introduzione

Ultralytics YOLOv8 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 la formazione dei modelli alla convalida, alla distribuzione e al monitoraggio nel mondo reale. Ogni modalità ha uno scopo specifico ed è progettata per offrire la flessibilità e l'efficienza necessarie per diversi compiti e casi d'uso.



Guarda: Ultralytics Tutorial delle modalità: Addestramento, Convalida, Previsione, Esportazione e Benchmark.

Le modalità in sintesi

Conoscere le diverse modalità supportate da Ultralytics YOLOv8 è fondamentale per ottenere il massimo dai tuoi modelli:

  • Modalit√† di addestramento: Metti a punto il tuo modello su set di dati personalizzati o precaricati.
  • Modalit√† Val: Un checkpoint post-training per convalidare le prestazioni del modello.
  • Modalit√† predittiva: Scatena la potenza predittiva del tuo modello su dati reali.
  • Modalit√† di esportazione: Rendi il tuo modello pronto per la distribuzione in vari formati.
  • Modalit√† di tracciamento: Estendi il tuo modello di rilevamento degli oggetti alle applicazioni di tracciamento in tempo reale.
  • Modalit√† Benchmark: Analizza la velocit√† e la precisione del tuo modello in diversi ambienti di distribuzione.

Questa guida completa ha l'obiettivo di fornirti una panoramica e delle indicazioni pratiche su ciascuna modalità, aiutandoti a sfruttare tutto il potenziale di YOLOv8.

Treno

La modalità Train è utilizzata per addestrare un modello YOLOv8 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.

Esempi di treni

Val

La modalità Val è utilizzata per convalidare un modello YOLOv8 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. Questa modalità può essere utilizzata per mettere a punto gli iperparametri del modello per migliorarne le prestazioni.

Esempi di val

Prevedere

La modalità Predict è utilizzata per fare previsioni utilizzando un modello YOLOv8 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 predice le classi e le posizioni degli oggetti nelle immagini o nei video in ingresso.

Prevedere gli esempi

Esportazione

La modalità di esportazione è utilizzata per esportare un modello YOLOv8 in un formato utilizzabile per la distribuzione. In questa modalità, il modello viene convertito in un formato che può essere utilizzato da altre applicazioni software o dispositivi hardware. Questa modalità è utile per distribuire il modello in ambienti di produzione.

Esempi di esportazione

Traccia

La modalità Track è utilizzata per tracciare gli oggetti in tempo reale utilizzando un modello YOLOv8 . In questa modalità, il modello viene caricato da un file di checkpoint e l'utente può fornire un flusso video in diretta per eseguire il tracciamento degli oggetti in tempo reale. Questa modalità è utile per applicazioni come i sistemi di sorveglianza o le auto a guida autonoma.

Esempi di tracce

Benchmark

La modalità Benchmark viene utilizzata per tracciare un profilo della velocità e della precisione dei vari formati di esportazione di YOLOv8. I benchmark forniscono informazioni sulle dimensioni del formato esportato, la sua velocità e la sua precisione. mAP50-95 metriche (per il rilevamento degli oggetti, la segmentazione e la posa) o accuracy_top5 metriche (per la classificazione) e il tempo di inferenza in millisecondi per immagine nei vari formati di esportazione come ONNX, OpenVINO, TensorRT e altri. Queste informazioni possono aiutare gli utenti a scegliere il formato di esportazione ottimale per il loro caso d'uso specifico, in base ai loro requisiti di velocità e accuratezza.

Esempi di benchmark



Creato 2023-11-12, Aggiornato 2024-02-03
Autori: glenn-jocher (4)

Commenti