Rilevamento degli oggetti con Ultralytics YOLO#

Il rilevamento degli oggetti è un'attività che consiste nell'identificare la posizione e la classe degli oggetti in un'immagine o in un flusso video.

L'output di un rilevatore di oggetti è un insieme di riquadri delimitatori che racchiudono gli oggetti nell'immagine, insieme alle etichette delle classi e ai punteggi di confidenza per ogni riquadro. Il rilevamento degli oggetti è una buona scelta quando devi identificare gli oggetti di interesse in una scena, ma non hai bisogno di sapere esattamente dove si trova l'oggetto o quale sia la sua forma precisa.

Modelli#

Qui sono mostrati i modelli Detect YOLO26 preaddestrati. I modelli Detect, Segment e Pose sono preaddestrati sul dataset COCO, i modelli Semantic sono preaddestrati su Cityscapes e i modelli Classify sono preaddestrati sul dataset ImageNet.

I modelli vengono scaricati automaticamente dalla release più recente di Ultralytics al primo utilizzo.

• mAP^val values are for single-model single-scale on COCO val2017 dataset.
  Reproduce by yolo val detect data=coco.yaml device=0. Add nms=False to reproduce the e2e column.
• La velocità è calcolata come media sulle immagini COCO val utilizzando un'istanza Amazon EC2 P4d.
  Riproduci con yolo val detect data=coco.yaml batch=1 device=0|cpu nms=False
• I valori di Params e FLOPs si riferiscono a modelli fusi dopo il folding di Conv/BatchNorm e la rimozione del ramo di rilevamento non utilizzato. I checkpoint preaddestrati mantengono l'intera architettura di addestramento e potrebbero mostrare conteggi superiori.

Consulta l'anteprima inedita di YOLO27 per i risultati preliminari di rilevamento su COCO.

Addestramento#

Addestra YOLO26n sul dataset COCO8 per 100 epoche con una dimensione delle immagini pari a 640. Per un elenco completo degli argomenti disponibili, consulta la pagina Configurazione.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Consulta tutti i dettagli della modalità train nella pagina Train. I modelli di rilevamento possono essere addestrati anche con l'addestramento cloud di Ultralytics Platform.

Formato del dataset#

Il formato del dataset di rilevamento YOLO è disponibile in dettaglio nella Guida ai dataset. Per convertire un dataset JSON COCO esistente nel formato YOLO, usa la funzione integrata convert_coco descritta nella Guida da COCO a YOLO. Puoi anche annotare e gestire i dataset di rilevamento con gli strumenti di annotazione assistiti da IA della Piattaforma Ultralytics.

Val#

Valida l'accuratezza del modello YOLO26n addestrato sul dataset COCO8. Non sono necessari argomenti, poiché model conserva i relativi data e argomenti di addestramento come attributi del modello.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Predizione#

Utilizza un modello YOLO26n addestrato per eseguire previsioni sulle immagini.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    xywh = result.boxes.xywh  # center-x, center-y, width, height
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # top-left-x, top-left-y, bottom-right-x, bottom-right-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # class name of each box
    confs = result.boxes.conf  # confidence score of each box

Consulta la pagina Predict per tutti i dettagli sulla modalità predict.

Output dei risultati#

Il rilevamento degli oggetti restituisce un oggetto Results per ogni immagine. Il campo principale della previsione è result.boxes, che contiene le coordinate dei riquadri, gli ID delle classi e i punteggi di confidenza per ogni oggetto rilevato.

Per i campi Results specifici dell'attività in tutte le attività, consulta la sezione Risultati delle predizioni per attività.

Esportazione#

Esporta un modello YOLO26n in un formato diverso, come ONNX, CoreML ecc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

# Export the model
model.export(format="onnx")

I formati di esportazione YOLO26 disponibili sono riportati nella tabella seguente. Puoi esportare in qualsiasi formato utilizzando l'argomento format, ovvero format='onnx' o format='engine'. Puoi eseguire previsioni o validare direttamente sui modelli esportati, ovvero yolo predict model=yolo26n.onnx. Al termine dell'esportazione, per il tuo modello vengono mostrati esempi di utilizzo.

nms=None utilizza i valori predefiniti per gli output grezzi per la NMS esterna. Imposta nms=False per selezionare una testa senza NMS disponibile; i formati non supportati ricorrono al loro percorso di output nativo. Le voci nms sopra indicano i formati che possono incorporare la NMS con nms=True.

Consulta la pagina Export per tutti i dettagli su export.

FAQ#