Rilevamento degli oggetti

Il rilevamento degli oggetti è un'attività che prevede l'identificazione della posizione e della classe degli oggetti in un'immagine o in un flusso video.

L'output di un rilevatore di oggetti è un insieme di caselle di delimitazione che racchiudono gli oggetti nell'immagine, insieme alle etichette di classe e ai punteggi di confidenza per ogni casella. 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 la sua forma esatta.

Guarda: Rilevamento di oggetti con un modello preaddestrato Ultralytics YOLOv8 .

Modelli

YOLOv8 I modelli Detect pre-addestrati sono mostrati qui. I modelli Detect, Segment e Pose sono stati preaddestrati sul dataset COCO, mentre i modelli Classify sono stati preaddestrati sul dataset ImageNet.

I modelli vengono scaricati automaticamente dall'ultimarelease di Ultralytics al primo utilizzo.

• ^mAPval I valori si riferiscono a un modello a scala singola su COCO val2017 set di dati.
  Riproduci da yolo val detect data=coco.yaml device=0
• Velocità mediata sulle immagini COCO val utilizzando un Amazon EC2 P4d istanza.
  Riproduci da yolo val detect data=coco8.yaml batch=1 device=0|cpu

Treno

Addestra YOLOv8n sul set di dati COCO8 per 100 epoche con dimensioni dell'immagine pari a 640. Per un elenco completo degli argomenti disponibili, consulta la pagina di configurazione.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.yaml")  # build a new model from YAML
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n.yaml").load("yolov8n.pt")  # build from YAML and transfer weights

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

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

Formato del set di dati

YOLO Il formato del set di dati per il rilevamento è riportato in dettaglio nella Guida ai set di dati. Per convertire il tuo set di dati esistente da altri formati (come COCO ecc.) al formato YOLO , utilizza lo strumento JSON2YOLO di Ultralytics.

Val

Validate trained YOLOv8n model accuracy on the COCO8 dataset. No arguments are needed as the model mantiene la sua formazione data e gli argomenti come attributi del modello.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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 contains map50-95 of each category

yolo detect val model=yolov8n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

Prevedere

Utilizza un modello YOLOv8n addestrato per eseguire previsioni sulle immagini.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

Vedi tutto predict i dettagli della modalità nella sezione Prevedere pagina.

Esportazione

Esporta un modello YOLOv8n in un formato diverso come ONNX, CoreML, ecc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

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

yolo export model=yolov8n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

I formati di esportazione disponibili su YOLOv8 sono riportati nella tabella seguente. Puoi esportare in qualsiasi formato utilizzando l'opzione format argomento, vale a dire format='onnx' o format='engine'. Puoi prevedere o convalidare direttamente i modelli esportati, ad es. yolo predict model=yolov8n.onnx. Al termine dell'esportazione vengono mostrati degli esempi di utilizzo per il tuo modello.

Vedi tutto export dettagli nella sezione Esportazione pagina.

DOMANDE FREQUENTI

Come faccio ad addestrare un modello YOLOv8 sul mio set di dati personalizzato?

L'addestramento di un modello YOLOv8 su un set di dati personalizzato richiede alcuni passaggi:

1. Prepara il set di dati: Assicurati che il tuo set di dati sia nel formato YOLO . Per maggiori informazioni, consulta la nostra Guida ai set di dati.
2. Caricare il modello: Usa la libreria Ultralytics YOLO per caricare un modello pre-addestrato o per creare un nuovo modello da un file YAML.
3. Addestrare il modello: Esegui il programma train in Python o il metodo yolo detect train in CLI.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov8n.pt")

# Train the model on your custom dataset
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)

yolo detect train data=my_custom_dataset.yaml model=yolov8n.pt epochs=100 imgsz=640

Per informazioni dettagliate sulle opzioni di configurazione, visita la pagina Configurazione.

Quali modelli preaddestrati sono disponibili in YOLOv8?

Ultralytics YOLOv8 offre diversi modelli preaddestrati per il rilevamento, la segmentazione e la stima della posa degli oggetti. Questi modelli sono preaddestrati sul dataset COCO o su ImageNet per i compiti di classificazione. Ecco alcuni dei modelli disponibili:

• YOLOv8n
• YOLOv8s
• YOLOv8m
• YOLOv8l
• YOLOv8x

Per un elenco dettagliato e le metriche delle prestazioni, consulta la sezione Modelli.

Come posso convalidare l'accuratezza del mio modello YOLOv8 addestrato?

Per convalidare l'accuratezza del modello addestrato di YOLOv8 , puoi utilizzare la funzione .val() in Python o il metodo yolo detect val in CLI. Questo fornirà metriche come mAP50-95, mAP50 e altre ancora.

from ultralytics import YOLO

# Load the model
model = YOLO("path/to/best.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # mAP50-95

yolo detect val model=path/to/best.pt

Per maggiori dettagli sulla convalida, visita la pagina Val.

In quali formati posso esportare un modello YOLOv8 ?

Ultralytics YOLOv8 permette di esportare i modelli in vari formati, come ONNX, TensorRT, CoreML e altri ancora, per garantire la compatibilità su diverse piattaforme e dispositivi.

from ultralytics import YOLO

# Load the model
model = YOLO("yolov8n.pt")

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

yolo export model=yolov8n.pt format=onnx

Consulta l'elenco completo dei formati supportati e le istruzioni alla pagina Esportazione.

Perché dovrei utilizzare Ultralytics YOLOv8 per il rilevamento degli oggetti?

Ultralytics YOLOv8 è stato progettato per offrire prestazioni all'avanguardia nel rilevamento, nella segmentazione e nella stima della posa degli oggetti. Ecco alcuni vantaggi chiave:

1. Modelli preaddestrati: Utilizza modelli preaddestrati su dataset popolari come COCO e ImageNet per uno sviluppo più rapido.
2. Alta precisione: Raggiunge punteggi mAP impressionanti, garantendo un rilevamento affidabile degli oggetti.
3. Velocità: Ottimizzato per l'inferenza in tempo reale, è ideale per le applicazioni che richiedono un'elaborazione rapida.
4. Flessibilità: Esporta i modelli in vari formati come ONNX e TensorRT per distribuirli su più piattaforme.

Esplora il nostro blog per scoprire casi d'uso e storie di successo che mostrano YOLOv8 in azione.

📅 Created 10 months ago ✏️ Updated 2 days ago

Commenti