Rilevamento oggetti con Ultralytics YOLO#

Object detection 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 di delimitazione che racchiudono gli oggetti nell'immagine, insieme alle etichette di classe e ai punteggi di confidenza per ogni riquadro. L'Object detection è un'ottima scelta quando devi identificare oggetti di interesse in una scena, ma non hai bisogno di sapere esattamente dove si trovi l'oggetto o la sua forma esatta.

Modelli#

I modelli Detect preaddestrati di YOLO26 sono mostrati qui. 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 Models vengono scaricati automaticamente dall'ultimo release di Ultralytics al primo utilizzo.

• I valori di mAP^val si riferiscono a modello singolo su scala singola sul dataset COCO val2017.
  Riproduci tramite yolo val detect data=coco.yaml device=0
• Speed mediata sulle immagini di validazione di COCO utilizzando un'istanza Amazon EC2 P4d.
  Riproduci tramite yolo val detect data=coco.yaml batch=1 device=0|cpu
• I valori di Params e FLOPs si riferiscono al modello fuso dopo model.fuse(), che unisce i layer Conv e BatchNorm e, per i modelli end2end, rimuove la testa di rilevamento ausiliaria one-to-many. I checkpoint preaddestrati mantengono l'architettura di addestramento completa e potrebbero mostrare conteggi più elevati.

Addestramento#

Allena YOLO26n sul dataset COCO8 per 100 epochs con una dimensione immagine di 640. Per un elenco completo degli argomenti disponibili, consulta la pagina Configuration.

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)

Visualizza tutti i dettagli della modalità train nella pagina Train. I modelli di rilevamento possono anche essere addestrati con Ultralytics Platform cloud training.

Formato del dataset#

Il formato del dataset di rilevamento YOLO è descritto in dettaglio nella Dataset Guide. Per convertire il tuo dataset esistente da altri formati (come COCO ecc.) al formato YOLO, utilizza lo strumento JSON2YOLO di Ultralytics. Puoi anche annotare e gestire i dataset di rilevamento con gli Ultralytics Platform's AI-assisted annotation tools.

Valutazione#

Valida l'accuracy del modello YOLO26n addestrato sul dataset COCO8. Non sono necessari argomenti poiché model mantiene il proprio data e gli argomenti 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

Previsione#

Usa 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

Visualizza i dettagli completi della modalità predict nella pagina Predict.

Output dei risultati#

Il rilevamento di oggetti restituisce un oggetto Results per immagine. Il campo di previsione principale è result.boxes, che contiene le coordinate del box, gli ID di classe e i punteggi di confidenza per ogni oggetto rilevato.

Per i campi specifici dell'attività Results relativi a ogni attività, consulta la sezione Risultati di predizione 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 indicati nella tabella sottostante. Puoi esportare in qualsiasi formato usando l'argomento format, ovvero format='onnx' o format='engine'. Puoi prevedere o validare direttamente sui modelli esportati, ovvero yolo predict model=yolo26n.onnx. Gli esempi di utilizzo vengono mostrati per il tuo modello al termine dell'esportazione.

Visualizza i dettagli completi di export nella pagina Export.

FAQ#