Link to this sectionUtilizzo di Python#

Benvenuto nella documentazione sull'utilizzo di Ultralytics YOLO con Python! Questa guida è pensata per aiutarti a integrare facilmente Ultralytics YOLO nei tuoi progetti Python per object detection, instance segmentation, semantic segmentation e classification. Qui imparerai a caricare e utilizzare modelli pre-addestrati, addestrare nuovi modelli ed eseguire previsioni sulle immagini. L'interfaccia Python, semplice da usare, è una risorsa preziosa per chiunque voglia incorporare YOLO nei propri progetti Python, permettendoti di implementare rapidamente funzionalità avanzate di object detection. Iniziamo!

Ad esempio, puoi caricare un modello, addestrarlo, valutarne le prestazioni su un set di convalida e persino esportarlo in formato ONNX con poche righe di codice.

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

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

Link to this sectionAddestramento#

La Train mode viene utilizzata per addestrare un modello YOLO su un dataset personalizzato. In questa modalità, il modello viene addestrato utilizzando il dataset e gli iperparametri specificati. Il processo di addestramento comporta l'ottimizzazione dei parametri del modello affinché possa prevedere accuratamente le classi e le posizioni degli oggetti in un'immagine.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # pass any model type
results = model.train(epochs=5)

Esempi di Train

Link to this sectionValutazione#

La Val mode viene utilizzata per convalidare un modello YOLO dopo l'addestramento. In questa modalità, il modello viene valutato su un set di convalida per misurarne accuracy e le prestazioni di generalizzazione. Questa modalità può essere utilizzata per ottimizzare gli iperparametri del modello e migliorarne le prestazioni.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate on training data
model.val()

Esempi di Val

Link to this sectionPrevisione#

La Predict mode viene utilizzata per effettuare previsioni utilizzando un modello YOLO 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 prevede le classi e le posizioni degli oggetti nelle immagini o nei video di input.

import cv2
from PIL import Image

from ultralytics import YOLO

model = YOLO("model.pt")
# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
results = model.predict(source="0")
results = model.predict(source="folder", show=True)  # Display preds. Accepts all YOLO predict arguments

# from PIL
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True)  # save plotted images

# from ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True)  # save predictions as labels

# from list of PIL/ndarray
results = model.predict(source=[im1, im2])

Esempi di Predict

Link to this sectionEsportazione#

La Export mode viene utilizzata per esportare un modello YOLO in un formato utilizzabile per il deployment. In questa modalità, il modello viene convertito in un formato utilizzabile da altre applicazioni software o dispositivi hardware. Questa modalità è utile quando si distribuisce il modello in ambienti di produzione.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="onnx", dynamic=True)

Esempi di Export

Link to this sectionTrack#

La Track mode viene utilizzata per tracciare oggetti in tempo reale utilizzando un modello YOLO. In questa modalità, il modello viene caricato da un file di checkpoint e l'utente può fornire un flusso video live per eseguire il tracciamento degli oggetti in tempo reale. Questa modalità è utile per applicazioni come sistemi di sorveglianza o self-driving cars.

from ultralytics import YOLO

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

# Track with the model
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")

Esempi di Track

Link to this sectionBenchmark#

La Benchmark mode viene utilizzata per profilare la velocità e l'accuratezza di vari formati di esportazione per YOLO. I benchmark forniscono informazioni sulla dimensione del formato esportato, le sue metriche mAP50-95 (per object detection e segmentazione) o le metriche accuracy_top1 (per classificazione), e il tempo di inferenza in millisecondi per immagine attraverso 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 requisiti di velocità e accuratezza.

from ultralytics.utils.benchmarks import benchmark

# Benchmark
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

Esempi di Benchmark

Link to this sectionUtilizzo dei Trainer#

La classe di modello YOLO funge da wrapper di alto livello per le classi Trainer. Ogni task YOLO ha il proprio trainer, che eredita da BaseTrainer. Questa architettura consente una maggiore flessibilità e personalizzazione nei tuoi machine learning workflows.

from ultralytics.models.yolo.detect import DetectionPredictor, DetectionTrainer, DetectionValidator

# trainer
trainer = DetectionTrainer(overrides={})
trainer.train()
trained_model = trainer.best

# Validator
val = DetectionValidator(args=...)
val(model=trained_model)

# predictor
pred = DetectionPredictor(overrides={})
pred(source=SOURCE, model=trained_model)

# resume from last weight
overrides["resume"] = trainer.last
trainer = DetectionTrainer(overrides=overrides)

You can easily customize Trainers to support custom tasks or explore research and development ideas. The modular design of Ultralytics YOLO allows you to adapt the framework to your specific needs, whether you're working on a novel computer vision task or fine-tuning existing models for better performance.

Tutorial sulla personalizzazione

Link to this sectionFAQ#

Link to this sectionCome posso integrare YOLO nel mio progetto Python per l'object detection?#

Integrare Ultralytics YOLO nei tuoi progetti Python è semplice. Puoi caricare un modello pre-addestrato o addestrare un nuovo modello da zero. Ecco come iniziare:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
for result in results:
    result.show()

Vedi esempi più dettagliati nella nostra sezione Predict Mode.

Link to this sectionQuali sono le diverse modalità disponibili in YOLO?#

Ultralytics YOLO provides various modes to cater to different machine learning workflows. These include:

• Train: Addestra un modello utilizzando dataset personalizzati.
• Val: Convalida le prestazioni del modello su un set di convalida.
• Predict: Effettua previsioni su nuove immagini o flussi video.
• Export: Esporta modelli in vari formati come ONNX e TensorRT.
• Track: Tracciamento oggetti in tempo reale in flussi video.
• Benchmark: Benchmark delle prestazioni del modello su diverse configurazioni.

Ogni modalità è progettata per fornire funzionalità complete per le diverse fasi di model development and deployment.

Link to this sectionCome posso addestrare un modello YOLO personalizzato utilizzando il mio dataset?#

To train a custom YOLO model, you need to specify your dataset and other hyperparameters. Here's a quick example:

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.yaml")

# Train the model with custom dataset
model.train(data="path/to/your/dataset.yaml", epochs=10)

Per ulteriori dettagli sull'addestramento e collegamenti ipertestuali a esempi di utilizzo, visita la nostra pagina Train Mode.

Link to this sectionCome esporto i modelli YOLO per il deployment?#

Esportare modelli YOLO in un formato adatto al deployment è semplice con la funzione export. Ad esempio, puoi esportare un modello in formato ONNX:

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.pt")

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

Per varie opzioni di esportazione, consulta la documentazione della Export Mode.

Link to this sectionPosso convalidare il mio modello YOLO su diversi dataset?#

Sì, è possibile convalidare i modelli YOLO su diversi dataset. Dopo l'addestramento, puoi utilizzare la modalità di convalida per valutare le prestazioni:

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate the model on a different dataset
model.val(data="path/to/separate/data.yaml")

Controlla la pagina Val Mode per esempi dettagliati e utilizzo.