Riferimento per ultralytics/engine/model.py
Nota
Questo file è disponibile all'indirizzo https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/engine/model .py. Se noti un problema, contribuisci a risolverlo inviando una Pull Request 🛠️. Grazie 🙏!
ultralytics.engine.model.Model
Basi: Module
Una classe base per implementare i modelli di YOLO , unificando le API tra i diversi tipi di modelli.
Questa classe fornisce un'interfaccia comune per varie operazioni relative ai modelli di YOLO , come la formazione, validazione, previsione, esportazione e benchmarking. Gestisce diversi tipi di modelli, compresi quelli caricati da file locali, da Ultralytics HUB o da Triton Server. La classe è progettata per essere flessibile e estendibile per diverse attività e configurazioni di modelli.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
model |
Union[str, Path]
|
Percorso o nome del modello da caricare o creare. Può essere un file locale locale, un nome di modello di Ultralytics HUB o un modello di Triton Server. Il valore predefinito è 'yolov8n.pt'. |
'yolov8n.pt'
|
task |
Any
|
Il tipo di attività associata al modello YOLO . Può essere utilizzato per specificare il dominio di applicazione del modello. dominio di applicazione del modello, come il rilevamento di oggetti, la segmentazione, ecc. Il valore predefinito è Nessuno. |
None
|
verbose |
bool
|
Se Vero, abilita l'output verboso durante le operazioni del modello. L'impostazione predefinita è False. |
False
|
Attributi:
Nome | Tipo | Descrizione |
---|---|---|
callbacks |
dict
|
Un dizionario di funzioni di callback per vari eventi durante le operazioni del modello. |
predictor |
BasePredictor
|
L'oggetto predittore utilizzato per fare previsioni. |
model |
Module
|
Il modello sottostante PyTorch . |
trainer |
BaseTrainer
|
L'oggetto trainer utilizzato per l'addestramento del modello. |
ckpt |
dict
|
I dati del checkpoint se il modello è caricato da un file *.pt. |
cfg |
str
|
La configurazione del modello se caricata da un file *.yaml. |
ckpt_path |
str
|
Il percorso del file di checkpoint. |
overrides |
dict
|
Un dizionario di sostituzioni per la configurazione del modello. |
metrics |
dict
|
Le ultime metriche di formazione/validazione. |
session |
HUBTrainingSession
|
La sessione HUB di Ultralytics , se applicabile. |
task |
str
|
Il tipo di attività a cui il modello è destinato. |
model_name |
str
|
Il nome del modello. |
Metodi:
Nome | Descrizione |
---|---|
__call__ |
Alias per il metodo predict, che consente all'istanza del modello di essere richiamabile. |
_new |
Inizializza un nuovo modello basato su un file di configurazione. |
_load |
Carica un modello da un file di checkpoint. |
_check_is_pytorch_model |
Assicura che il modello sia un modello PyTorch . |
reset_weights |
Riporta i pesi del modello allo stato iniziale. |
load |
Carica i pesi del modello da un file specificato. |
save |
Salva lo stato attuale del modello in un file. |
info |
Registra o restituisce informazioni sul modello. |
fuse |
Fonde gli strati Conv2d e BatchNorm2d per ottimizzare l'inferenza. |
predict |
Esegue le previsioni di rilevamento degli oggetti. |
track |
Esegue il tracciamento degli oggetti. |
val |
Convalida il modello su un set di dati. |
benchmark |
Esegue il benchmark del modello su vari formati di esportazione. |
export |
Esporta il modello in diversi formati. |
train |
Addestra il modello su un set di dati. |
tune |
Esegue la regolazione degli iperparametri. |
_apply |
Applica una funzione ai tensori del modello. |
add_callback |
Aggiunge una funzione di callback per un evento. |
clear_callback |
Cancella tutti i callback per un evento. |
reset_callbacks |
Riporta tutti i callback alle loro funzioni predefinite. |
_get_hub_session |
Recupera o crea una sessione HUB di Ultralytics . |
is_triton_model |
Controlla se un modello è un modello di Triton Server. |
is_hub_model |
Controlla se un modello è un modello HUB Ultralytics . |
_reset_ckpt_args |
Azzera gli argomenti del checkpoint quando si carica un modello PyTorch . |
_smart_load |
Carica il modulo appropriato in base all'attività del modello. |
task_map |
Fornisce una mappatura dai compiti del modello alle classi corrispondenti. |
Aumenta:
Tipo | Descrizione |
---|---|
FileNotFoundError
|
Se il file del modello specificato non esiste o è inaccessibile. |
ValueError
|
Se il file del modello o la configurazione non sono validi o non sono supportati. |
ImportError
|
Se le dipendenze necessarie per determinati tipi di modelli (come l'HUB SDK) non sono installate. |
TypeError
|
Se il modello non è un modello PyTorch quando richiesto. |
AttributeError
|
Se gli attributi o i metodi richiesti non sono implementati o disponibili. |
NotImplementedError
|
Se uno specifico modello di attività o modalità non è supportato. |
Codice sorgente in ultralytics/engine/model.py
28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 |
|
device: torch.device
property
Recupera il dispositivo su cui sono allocati i parametri del modello.
Questa proprietà viene utilizzata per determinare se i parametri del modello sono su CPU o GPU. Si applica solo ai modelli che sono istanze di nn.Module.
Restituzione:
Tipo | Descrizione |
---|---|
device | None
|
Il dispositivo (CPU/GPU) del modello se è un modello PyTorch , altrimenti Nessuno. |
names: list
property
Recupera i nomi delle classi associate al modello caricato.
Questa proprietà restituisce i nomi delle classi se sono definite nel modello. Controlla la validità dei nomi delle classi utilizzando la funzione "check_class_names" del modulo ultralytics.nn.autobackend.
Restituzione:
Tipo | Descrizione |
---|---|
list | None
|
I nomi delle classi del modello se disponibili, altrimenti Nessuno. |
task_map: dict
property
Mappa la testa nelle classi modello, formatore, validatore e predittore.
Restituzione:
Nome | Tipo | Descrizione |
---|---|---|
task_map |
dict
|
La mappa delle attività del modello alle classi della modalità. |
transforms
property
Recupera le trasformazioni applicate ai dati di input del modello caricato.
Questa proprietà restituisce le trasformazioni se sono definite nel modello.
Restituzione:
Tipo | Descrizione |
---|---|
object | None
|
L'oggetto transform del modello, se disponibile, altrimenti None. |
__call__(source=None, stream=False, **kwargs)
Un alias per il metodo predict, che permette all'istanza del modello di essere richiamabile.
Questo metodo semplifica il processo di predizione consentendo di richiamare direttamente l'istanza del modello con gli argomenti necessari per la predizione.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
source |
str | Path | int | Image | ndarray
|
La fonte dell'immagine per fare previsioni. Accetta vari tipi, tra cui percorsi di file, URL, immagini PIL e array numpy. Il valore predefinito è Nessuno. |
None
|
stream |
bool
|
Se Vero, tratta la sorgente di input come un flusso continuo per le previsioni. L'impostazione predefinita è Falso. |
False
|
**kwargs |
any
|
Argomenti aggiuntivi delle parole chiave per configurare il processo di predizione. |
{}
|
Restituzione:
Tipo | Descrizione |
---|---|
List[Results]
|
Un elenco di risultati delle previsioni, incapsulato nella classe Results. |
Codice sorgente in ultralytics/engine/model.py
__init__(model='yolov8n.pt', task=None, verbose=False)
Inizializza una nuova istanza della classe del modello YOLO .
Questo costruttore imposta il modello in base al percorso o al nome del modello fornito. Gestisce vari tipi di sorgenti di modelli di origine, compresi i file locali, i modelli di Ultralytics HUB e i modelli di Triton Server. Il metodo inizializza diversi attributi importanti del modello e lo prepara per operazioni come la formazione, la previsione o l'esportazione.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
model |
Union[str, Path]
|
Il percorso o il file del modello da caricare o creare. Può essere un percorso locale locale, un nome di modello di Ultralytics HUB o un modello di Triton Server. Il valore predefinito è 'yolov8n.pt'. |
'yolov8n.pt'
|
task |
Any
|
Il tipo di attività associata al modello YOLO , che specifica il suo dominio di applicazione. Il valore predefinito è Nessuno. |
None
|
verbose |
bool
|
Se Vero, attiva l'output verboso durante l'inizializzazione del modello e le operazioni successive. operazioni. L'impostazione predefinita è False. |
False
|
Aumenta:
Tipo | Descrizione |
---|---|
FileNotFoundError
|
Se il file del modello specificato non esiste o è inaccessibile. |
ValueError
|
Se il file del modello o la configurazione non sono validi o non sono supportati. |
ImportError
|
Se le dipendenze necessarie per determinati tipi di modelli (come l'HUB SDK) non sono installate. |
Codice sorgente in ultralytics/engine/model.py
add_callback(event, func)
Aggiunge una funzione di callback per un evento specificato.
Questo metodo permette all'utente di registrare una funzione di callback personalizzata che viene attivata su un evento specifico durante la l'addestramento o l'inferenza del modello.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
event |
str
|
Il nome dell'evento a cui collegare il callback. |
richiesto |
func |
callable
|
La funzione di callback da registrare. |
richiesto |
Aumenta:
Tipo | Descrizione |
---|---|
ValueError
|
Se il nome dell'evento non viene riconosciuto. |
Codice sorgente in ultralytics/engine/model.py
benchmark(**kwargs)
Esegue un benchmark del modello su vari formati di esportazione per valutarne le prestazioni.
Questo metodo valuta le prestazioni del modello in diversi formati di esportazione, come ONNX, TorchScript, ecc. Utilizza la funzione "benchmark" del modulo ultralytics.utils.benchmarks. Il benchmark viene configurato utilizzando una combinazione di valori di configurazione predefiniti, argomenti specifici del modello, valori predefiniti specifici del metodo e qualsiasi argomento aggiuntivo fornito dall'utente.
Il metodo supporta diversi argomenti che permettono di personalizzare il processo di benchmarking, come la scelta del set di dati, le dimensioni dell'immagine, le modalità di precisione, la selezione del dispositivo e la verbosità. la scelta del dataset, la dimensione dell'immagine, le modalità di precisione, la selezione del dispositivo e la verbosità. Per un elenco completo di tutte le opzioni configurabili, gli utenti devono fare riferimento alla sezione "configurazione" della documentazione.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
**kwargs |
any
|
Argomenti di parole chiave arbitrarie per personalizzare il processo di benchmarking. Questi sono combinati con configurazioni predefinite, argomenti specifici del modello e metodi predefiniti. |
{}
|
Restituzione:
Tipo | Descrizione |
---|---|
dict
|
Un dizionario contenente i risultati del processo di benchmarking. |
Aumenta:
Tipo | Descrizione |
---|---|
AssertionError
|
Se il modello non è un modello PyTorch . |
Codice sorgente in ultralytics/engine/model.py
clear_callback(event)
Cancella tutte le funzioni di callback registrate per un evento specificato.
Questo metodo rimuove tutte le funzioni di callback personalizzate e predefinite associate all'evento dato.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
event |
str
|
Il nome dell'evento per il quale cancellare i callback. |
richiesto |
Aumenta:
Tipo | Descrizione |
---|---|
ValueError
|
Se il nome dell'evento non viene riconosciuto. |
Codice sorgente in ultralytics/engine/model.py
embed(source=None, stream=False, **kwargs)
Genera incorporazioni di immagini basate sulla fonte fornita.
Questo metodo è un wrapper attorno al metodo 'predict()', che si concentra sulla generazione di incorporazioni da una sorgente di immagini. Permette di personalizzare il processo di incorporazione attraverso vari argomenti di parole chiave.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
source |
str | int | Image | ndarray
|
L'origine dell'immagine per la generazione delle incorporazioni. L'origine può essere un percorso di file, un URL, un'immagine PIL, un array numpy, ecc. Il valore predefinito è Nessuno. |
None
|
stream |
bool
|
Se Vero, i pronostici vengono trasmessi in streaming. L'impostazione predefinita è False. |
False
|
**kwargs |
any
|
Argomenti aggiuntivi per configurare il processo di incorporazione. |
{}
|
Restituzione:
Tipo | Descrizione |
---|---|
List[Tensor]
|
Un elenco contenente le incorporazioni dell'immagine. |
Aumenta:
Tipo | Descrizione |
---|---|
AssertionError
|
Se il modello non è un modello PyTorch . |
Codice sorgente in ultralytics/engine/model.py
export(**kwargs)
Esporta il modello in un formato diverso adatto alla distribuzione.
Questo metodo facilita l'esportazione del modello in vari formati (ad esempio, ONNX, TorchScript) per la distribuzione. per la distribuzione. Utilizza la classe "Exporter" per il processo di esportazione, combinando le sovrascritture specifiche del modello, le impostazioni predefinite dei metodi e gli argomenti aggiuntivi forniti. predefiniti e qualsiasi argomento aggiuntivo fornito. Gli argomenti combinati vengono utilizzati per configurare le impostazioni di esportazione.
Il metodo supporta un'ampia gamma di argomenti per personalizzare il processo di esportazione. Per un elenco completo di tutti gli argomenti argomenti possibili, consulta la sezione "Configurazione" della documentazione.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
**kwargs |
any
|
Argomenti di parole chiave arbitrarie per personalizzare il processo di esportazione. Questi sono combinati con le del modello e ai metodi predefiniti. |
{}
|
Restituzione:
Tipo | Descrizione |
---|---|
str
|
Il nome del file del modello esportato nel formato specificato o un oggetto relativo al processo di esportazione. |
Aumenta:
Tipo | Descrizione |
---|---|
AssertionError
|
Se il modello non è un modello PyTorch . |
Codice sorgente in ultralytics/engine/model.py
fuse()
Fonde i livelli Conv2d e BatchNorm2d nel modello.
Questo metodo ottimizza il modello fondendo gli strati Conv2d e BatchNorm2d, in modo da migliorare la velocità di inferenza.
Aumenta:
Tipo | Descrizione |
---|---|
AssertionError
|
Se il modello non è un modello PyTorch . |
Codice sorgente in ultralytics/engine/model.py
info(detailed=False, verbose=True)
Registra o restituisce le informazioni sul modello.
Questo metodo fornisce una panoramica o informazioni dettagliate sul modello, a seconda degli argomenti passati. Può controllare la verbosità dell'output.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
detailed |
bool
|
Se Vero, mostra informazioni dettagliate sul modello. L'impostazione predefinita è False. |
False
|
verbose |
bool
|
Se True, stampa le informazioni. Se Falso, restituisce le informazioni. Il valore predefinito è Vero. |
True
|
Restituzione:
Tipo | Descrizione |
---|---|
list
|
Vari tipi di informazioni sul modello, a seconda dei parametri "detailed" e "verbose". |
Aumenta:
Tipo | Descrizione |
---|---|
AssertionError
|
Se il modello non è un modello PyTorch . |
Codice sorgente in ultralytics/engine/model.py
is_hub_model(model)
staticmethod
Controlla se il modello fornito è un modello HUB.
Codice sorgente in ultralytics/engine/model.py
is_triton_model(model)
staticmethod
Il modello è una stringa URL del server Triton , ad es.
Codice sorgente in ultralytics/engine/model.py
load(weights='yolov8n.pt')
Carica i parametri dal file dei pesi specificato nel modello.
Questo metodo supporta il caricamento dei pesi da un file o direttamente da un oggetto pesi. Associa i parametri in base a nome e forma e li trasferisce al modello.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
weights |
str | Path
|
Percorso del file dei pesi o di un oggetto pesi. Il valore predefinito è 'yolov8n.pt'. |
'yolov8n.pt'
|
Restituzione:
Nome | Tipo | Descrizione |
---|---|---|
self |
Model
|
L'istanza della classe con i pesi caricati. |
Aumenta:
Tipo | Descrizione |
---|---|
AssertionError
|
Se il modello non è un modello PyTorch . |
Codice sorgente in ultralytics/engine/model.py
predict(source=None, stream=False, predictor=None, **kwargs)
Esegue le previsioni sulla sorgente dell'immagine data utilizzando il modello YOLO .
Questo metodo facilita il processo di predizione, consentendo varie configurazioni attraverso gli argomenti delle parole chiave. Supporta le predizioni con predittori personalizzati o con il metodo di predizione predefinito. Il metodo gestisce diversi tipi di sorgenti di immagini e può operare in modalità streaming. Fornisce anche il supporto per i modelli di tipo SAM attraverso i "prompt".
Il metodo imposta un nuovo predittore se non è già presente e aggiorna i suoi argomenti a ogni chiamata. Inoltre, emette un avviso e utilizza le risorse predefinite se la "fonte" non viene fornita. Il metodo determina se viene chiamato viene richiamato dall'interfaccia a riga di comando e regola il suo comportamento di conseguenza, compresa l'impostazione dei valori predefiniti per la soglia di fiducia e il comportamento di salvataggio.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
source |
str | int | Image | ndarray
|
La fonte dell'immagine per fare previsioni. Accetta vari tipi, tra cui percorsi di file, URL, immagini PIL e array numpy. L'impostazione predefinita è ASSETS. |
None
|
stream |
bool
|
Tratta la sorgente di input come un flusso continuo per le previsioni. L'impostazione predefinita è False. |
False
|
predictor |
BasePredictor
|
Un'istanza di una classe di predittore personalizzata per fare previsioni. Se None, il metodo utilizza un predittore predefinito. Il valore predefinito è Nessuno. |
None
|
**kwargs |
any
|
Argomenti aggiuntivi per configurare il processo di predizione. Questi argomenti permettono di personalizzare ulteriormente il comportamento della predizione. |
{}
|
Restituzione:
Tipo | Descrizione |
---|---|
List[Results]
|
Un elenco di risultati delle previsioni, incapsulato nella classe Results. |
Aumenta:
Tipo | Descrizione |
---|---|
AttributeError
|
Se il predittore non è impostato correttamente. |
Codice sorgente in ultralytics/engine/model.py
reset_callbacks()
Riporta tutti i callback alle loro funzioni predefinite.
Questo metodo ripristina le funzioni di callback predefinite per tutti gli eventi, rimuovendo qualsiasi callback personalizzato aggiunto in precedenza. aggiunte in precedenza.
Codice sorgente in ultralytics/engine/model.py
reset_weights()
Riporta i parametri del modello a valori inizializzati in modo casuale, scartando di fatto tutte le informazioni sulla formazione.
Questo metodo esegue l'iterazione di tutti i moduli del modello e reimposta i loro parametri se hanno un metodo 'reset_parameters'. Inoltre, si assicura che tutti i parametri abbiano "requires_grad" impostato su True, in modo da poterli aggiornare durante l'addestramento. di essere aggiornati durante l'addestramento.
Restituzione:
Nome | Tipo | Descrizione |
---|---|---|
self |
Model
|
L'istanza della classe con i pesi azzerati. |
Aumenta:
Tipo | Descrizione |
---|---|
AssertionError
|
Se il modello non è un modello PyTorch . |
Codice sorgente in ultralytics/engine/model.py
save(filename='saved_model.pt', use_dill=True)
Salva lo stato attuale del modello in un file.
Questo metodo esporta il checkpoint del modello (ckpt) nel nome del file specificato.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
filename |
str | Path
|
Il nome del file in cui salvare il modello. Il valore predefinito è 'saved_model.pt'. |
'saved_model.pt'
|
use_dill |
bool
|
Se provare a utilizzare dill per la serializzazione, se disponibile. L'impostazione predefinita è True. |
True
|
Aumenta:
Tipo | Descrizione |
---|---|
AssertionError
|
Se il modello non è un modello PyTorch . |
Codice sorgente in ultralytics/engine/model.py
track(source=None, stream=False, persist=False, **kwargs)
Esegue il tracciamento degli oggetti sulla sorgente di ingresso specificata utilizzando i tracker registrati.
Questo metodo esegue il tracciamento degli oggetti utilizzando i predittori del modello e, facoltativamente, i tracker registrati. È in grado di gestire diversi tipi di sorgenti di input come percorsi di file o flussi video. Il metodo supporta la personalizzazione del processo di tracciamento attraverso vari argomenti di parole chiave. Registra i tracker se non sono già già presenti e facoltativamente li persiste in base al flag "persist".
Il metodo imposta una soglia di confidenza predefinita specifica per il tracciamento basato su ByteTrack, che richiede previsioni a bassa confidenza come input. fiducia come input. La modalità di tracciamento viene impostata esplicitamente negli argomenti delle parole chiave.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
source |
str
|
La fonte di input per il tracciamento degli oggetti. Può essere un percorso di file, un URL o un flusso video. |
None
|
stream |
bool
|
Tratta la sorgente di ingresso come un flusso video continuo. L'impostazione predefinita è False. |
False
|
persist |
bool
|
Persiste i tracker tra le diverse chiamate a questo metodo. L'impostazione predefinita è False. |
False
|
**kwargs |
any
|
Argomenti aggiuntivi per configurare il processo di tracciamento. Questi argomenti permettono di personalizzare ulteriormente il comportamento del tracciamento. |
{}
|
Restituzione:
Tipo | Descrizione |
---|---|
List[Results]
|
Un elenco di risultati del tracking, incapsulato nella classe Results. |
Aumenta:
Tipo | Descrizione |
---|---|
AttributeError
|
Se il predittore non ha tracker registrati. |
Codice sorgente in ultralytics/engine/model.py
train(trainer=None, **kwargs)
Addestra il modello utilizzando il set di dati e la configurazione di addestramento specificati.
Questo metodo facilita la formazione dei modelli con una serie di impostazioni e configurazioni personalizzabili. Supporta l'addestramento con un addestratore personalizzato o con l'approccio di addestramento predefinito definito nel metodo. Il metodo gestisce diversi scenari, come la ripresa della formazione da un checkpoint, l'integrazione con Ultralytics HUB e l'aggiornamento del modello e della configurazione dopo la formazione. l'aggiornamento del modello e della configurazione dopo l'addestramento.
Quando si utilizza Ultralytics HUB, se la sessione ha già un modello caricato, il metodo dà priorità agli argomenti di formazione di HUB ed emette un avviso se vengono forniti argomenti locali. Controlla gli aggiornamenti di pip e combina le configurazioni predefinite configurazioni predefinite, impostazioni predefinite specifiche del metodo e argomenti forniti dall'utente per configurare il processo di addestramento. Dopo l'addestramento, aggiorna il modello e le sue configurazioni e, facoltativamente, allega le metriche.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
trainer |
BaseTrainer
|
Un'istanza di una classe trainer personalizzata per l'addestramento del modello. Se nessuna, il metodo utilizza un addestratore predefinito. Il valore predefinito è Nessuno. |
None
|
**kwargs |
any
|
Argomenti di parole chiave arbitrari che rappresentano la configurazione di allenamento. Questi argomenti sono utilizzati per personalizzare vari aspetti del processo di formazione. |
{}
|
Restituzione:
Tipo | Descrizione |
---|---|
dict | None
|
Metriche di allenamento se disponibili e se l'allenamento è andato a buon fine; altrimenti, Nessuna. |
Aumenta:
Tipo | Descrizione |
---|---|
AssertionError
|
Se il modello non è un modello PyTorch . |
PermissionError
|
Se c'è un problema di autorizzazione con la sessione HUB. |
ModuleNotFoundError
|
Se l'HUB SDK non è installato. |
Codice sorgente in ultralytics/engine/model.py
604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 |
|
tune(use_ray=False, iterations=10, *args, **kwargs)
Esegue la regolazione degli iperparametri del modello, con l'opzione di utilizzare Ray Tune.
Questo metodo supporta due modalità di sintonizzazione degli iperparametri: utilizzando Ray Tune o un metodo di sintonizzazione personalizzato. Quando Ray Tune è abilitato, sfrutta la funzione "run_ray_tune" del modulo ultralytics.utils.tuner. Altrimenti, utilizza la classe interna "Tuner" per la sintonizzazione. Il metodo combina argomenti predefiniti, sovrascritti e argomenti personalizzati per configurare il processo di sintonizzazione.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
use_ray |
bool
|
Se Vero, utilizza Ray Tune per la regolazione degli iperparametri. L'impostazione predefinita è Falso. |
False
|
iterations |
int
|
Il numero di iterazioni di sintonizzazione da eseguire. Il valore predefinito è 10. |
10
|
*args |
list
|
Elenco di argomenti di lunghezza variabile per argomenti aggiuntivi. |
()
|
**kwargs |
any
|
Argomenti di parole chiave arbitrarie. Questi vengono combinati con gli override e i default del modello. |
{}
|
Restituzione:
Tipo | Descrizione |
---|---|
dict
|
Un dizionario contenente i risultati della ricerca degli iperparametri. |
Aumenta:
Tipo | Descrizione |
---|---|
AssertionError
|
Se il modello non è un modello PyTorch . |
Codice sorgente in ultralytics/engine/model.py
val(validator=None, **kwargs)
Convalida il modello utilizzando un set di dati e una configurazione di convalida specificati.
Questo metodo facilita il processo di convalida del modello, consentendo una serie di personalizzazioni attraverso varie impostazioni e configurazioni. impostazioni e configurazioni. Supporta la validazione con un validatore personalizzato o con l'approccio di validazione predefinito. Il metodo combina configurazioni predefinite, impostazioni predefinite specifiche del metodo e argomenti forniti dall'utente per configurare il processo di convalida. il processo di validazione. Dopo la convalida, aggiorna le metriche del modello con i risultati ottenuti dal validatore. validatore.
Il metodo supporta diversi argomenti che permettono di personalizzare il processo di convalida. Per un elenco completo elenco di tutte le opzioni configurabili, gli utenti devono fare riferimento alla sezione "configurazione" della documentazione.
Parametri:
Nome | Tipo | Descrizione | Predefinito |
---|---|---|---|
validator |
BaseValidator
|
Un'istanza di una classe di validatore personalizzata per la validazione del modello. Se None, il metodo utilizza un validatore predefinito. Il valore predefinito è Nessuno. |
None
|
**kwargs |
any
|
Argomenti di parole chiave arbitrari che rappresentano la configurazione di convalida. Questi argomenti sono utilizzati per personalizzare vari aspetti del processo di convalida. |
{}
|
Restituzione:
Tipo | Descrizione |
---|---|
dict
|
Metriche di validazione ottenute dal processo di validazione. |
Aumenta:
Tipo | Descrizione |
---|---|
AssertionError
|
Se il modello non è un modello PyTorch . |