Overslaan naar inhoud

Uitgebreide handleidingen voor Ultralytics YOLO

Welkom bij de Ultralytics' YOLO 🚀 Gidsen! Onze uitgebreide tutorials behandelen verschillende aspecten van het YOLO objectdetectiemodel, variërend van training en voorspelling tot implementatie. YOLO is gebouwd op PyTorch en onderscheidt zich door zijn uitzonderlijke snelheid en nauwkeurigheid in realtime objectdetectietaken.

Of je nu een beginner bent of een expert op het gebied van deep learning, onze tutorials bieden waardevolle inzichten in de implementatie en optimalisatie van YOLO voor je computervisieprojecten. Laten we erin duiken!



Kijken: Ultralytics YOLOv8 Gidsen Overzicht

Gidsen

Hier is een compilatie van diepgaande gidsen om je te helpen de verschillende aspecten van Ultralytics YOLO onder de knie te krijgen.

  • YOLO Veelvoorkomende problemen ⭐ AANBEVOLEN: Praktische oplossingen en tips voor probleemoplossing voor de meest voorkomende problemen bij het werken met Ultralytics YOLO modellen.
  • YOLO Prestatiecijfers ⭐ ESSENTIEEL: Begrijp de belangrijkste cijfers zoals mAP, IoU en F1-score die worden gebruikt om de prestaties van je YOLO modellen te evalueren. Bevat praktische voorbeelden en tips om de detectienauwkeurigheid en -snelheid te verbeteren.
  • Opties voor modelimplementatie: Overzicht van YOLO model implementatieformaten zoals ONNX, OpenVINO, en TensorRT, met voor- en nadelen voor elk om je implementatiestrategie te informeren.
  • K-voudige kruisvalidatie 🚀 NIEUW: Leer hoe je de generalisatie van modellen kunt verbeteren met behulp van K-voudige kruisvalidatietechniek.
  • Hyperparameter tuning 🚀 NIEUW: Ontdek hoe je je YOLO modellen kunt optimaliseren door hyperparameters te verfijnen met behulp van de Tuner klasse en genetische evolutie algoritmen.
  • SAHI Tiled Inference 🚀 NIEUW: Uitgebreide handleiding over het gebruik van SAHI's 'sliced inference' mogelijkheden met YOLOv8 voor objectdetectie in hogeresolutiebeelden.
  • AzureML Quickstart 🚀 NIEUW: Ga aan de slag met Ultralytics YOLO modellen op Microsoft's Azure Machine Learning platform. Leer hoe je objectdetectieprojecten kunt trainen, inzetten en schalen in de cloud.
  • Conda Quickstart 🚀 NIEUW: Stap-voor-stap handleiding voor het opzetten van een Conda-omgeving voor Ultralytics. Leer hoe je het Ultralytics pakket efficiënt kunt installeren en gebruiken met Conda.
  • Docker Quickstart 🚀 NIEUW: Complete gids voor het opzetten en gebruiken van Ultralytics YOLO modellen met Docker. Leer hoe je Docker installeert, GPU ondersteuning beheert en YOLO modellen uitvoert in geïsoleerde containers voor consistente ontwikkeling en implementatie.
  • Raspberry Pi 🚀 NIEUW: Snelstart tutorial om YOLO modellen uit te voeren op de nieuwste Raspberry Pi hardware.
  • NVIDIA Jetson 🚀 NIEUW: Snelstartgids voor het implementeren van YOLO modellen op NVIDIA Jetson apparaten.
  • DeepStream op NVIDIA Jetson 🚀 NIEUW: Snelstartgids voor het implementeren van YOLO modellen op NVIDIA Jetson-apparaten met DeepStream en TensorRT.
  • Triton Inference Server Integratie 🚀 NIEUW: Duik in de integratie van Ultralytics YOLOv8 met NVIDIA's Triton Inference Server voor schaalbare en efficiënte deep learning inferentie implementaties.
  • YOLO Thread-Safe Inference 🚀 NIEUW: Richtlijnen voor het uitvoeren van inferentie met YOLO modellen op een thread-safe manier. Leer het belang van thread-veiligheid en best practices om race-condities te voorkomen en consistente voorspellingen te garanderen.
  • Segmentatieobjecten isoleren 🚀 NIEUW: Stapsgewijs recept en uitleg over hoe je objecten uit afbeeldingen kunt extraheren en/of isoleren met Ultralytics Segmentatie.
  • Edge TPU op Raspberry Pi: Google Edge TPU versnelt YOLO inferentie op Raspberry Pi.
  • Inferentiebeelden bekijken in een terminal: Gebruik de geïntegreerde terminal van VSCode om inferentieresultaten te bekijken bij gebruik van Remote Tunnel of SSH-sessies.
  • OpenVINO Latency vs Throughput Modes - Leer latency en throughput optimalisatietechnieken voor piekprestaties bij YOLO inferentie.
  • Stappen van een computervisieproject 🚀 NIEUW: Leer meer over de belangrijkste stappen van een computervisieproject, waaronder het definiëren van doelen, het selecteren van modellen, het voorbereiden van gegevens en het evalueren van resultaten.
  • De doelen van een computervisieproject definiëren 🚀 NIEUW: Doorloop hoe je effectief duidelijke en meetbare doelen kunt definiëren voor je computervisieproject. Leer het belang van een goed gedefinieerde probleemstelling en hoe deze een routekaart voor je project creëert.
  • Gegevensverzameling en annotatie 🚀 NIEUW: Ontdek de tools, technieken en best practices voor het verzamelen en annoteren van gegevens om hoogwaardige invoer te creëren voor je computervisiemodellen.
  • Geannoteerde gegevens voorbewerken 🚀 NIEUW: Leer meer over het voorbewerken en vergroten van beeldgegevens in computervisieprojecten met YOLOv8, inclusief normalisatie, vergroten van datasets, splitsen en verkennende gegevensanalyse (EDA).
  • Tips voor modeltraining 🚀 NIEUW: Bekijk tips voor het optimaliseren van batchgroottes, het gebruik van gemengde precisie, het toepassen van voorgetrainde gewichten en meer om het trainen van je computervisiemodel een fluitje van een cent te maken.
  • Inzichten in modelevaluatie en fine-tuning 🚀 NIEUW: Krijg inzicht in de strategieën en best practices voor het evalueren en fine-tunen van je computervisiemodellen. Leer over het iteratieve proces van het verfijnen van modellen om optimale resultaten te bereiken.
  • Een gids voor het testen van modellen 🚀 NIEUW: Een grondige gids voor het testen van je computervisiemodellen in realistische omgevingen. Leer hoe je de nauwkeurigheid, betrouwbaarheid en prestaties kunt controleren in lijn met de projectdoelen.
  • Best Practices for Model Deployment 🚀 NIEUW: Tips en best practices voor het efficiënt inzetten van modellen in computervisieprojecten, met de nadruk op optimalisatie, probleemoplossing en beveiliging.
  • Uw computervisiemodel onderhouden 🚀 NIEUW: Begrijp de belangrijkste werkwijzen voor het controleren, onderhouden en documenteren van computervisiemodellen om nauwkeurigheid te garanderen, afwijkingen te ontdekken en gegevensdrift te beperken.
  • ROS Quickstart 🚀 NIEUW: Leer hoe je YOLO kunt integreren met het Robot Operating System (ROS) voor realtime objectdetectie in robotica-toepassingen, waaronder Point Cloud- en dieptebeelden.

Draag bij aan onze gidsen

We verwelkomen bijdragen van de gemeenschap! Als je een bepaald aspect van Ultralytics YOLO onder de knie hebt dat nog niet wordt behandeld in onze gidsen, dan moedigen we je aan om je expertise te delen. Het schrijven van een gids is een geweldige manier om iets terug te doen voor de gemeenschap en ons te helpen onze documentatie uitgebreider en gebruiksvriendelijker te maken.

Lees om te beginnen onze Bijdragen Gids voor richtlijnen over hoe je een Pull Request (PR) 🛠️ kunt openen. We kijken uit naar je bijdragen!

Laten we samenwerken om het Ultralytics YOLO ecosysteem robuuster en veelzijdiger te maken 🙏!

FAQ

Hoe train ik een aangepast objectdetectiemodel met Ultralytics YOLO ?

Het trainen van een aangepast objectdetectiemodel met Ultralytics YOLO is eenvoudig. Begin met het voorbereiden van je dataset in het juiste formaat en installeer het pakket Ultralytics . Gebruik de volgende code om de training te starten:

Voorbeeld

from ultralytics import YOLO

model = YOLO("yolov8s.pt")  # Load a pre-trained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset
yolo task=detect mode=train model=yolov8s.pt data=path/to/dataset.yaml epochs=50

Raadpleeg onze Tips voor modeltraining gids voor gedetailleerde opmaak van de dataset en aanvullende opties.

Welke prestatiecijfers moet ik gebruiken om mijn YOLO model te evalueren?

Het evalueren van de prestaties van je YOLO model is cruciaal om de doeltreffendheid ervan te begrijpen. Belangrijke meetgegevens zijn gemiddelde precisie (mAP), intersectie boven unie (IoU) en F1-score. Deze meetgegevens helpen bij het beoordelen van de nauwkeurigheid en precisie van objectdetectietaken. Je kunt meer te weten komen over deze meetgegevens en hoe je je model kunt verbeteren in onze YOLO Performance Metrics gids.

Waarom zou ik Ultralytics HUB gebruiken voor mijn computer vision-projecten?

Ultralytics HUB is een no-code platform dat het beheren, trainen en inzetten van YOLO modellen vereenvoudigt. Het ondersteunt naadloze integratie, real-time tracking en cloud training, waardoor het ideaal is voor zowel beginners als professionals. Ontdek meer over de functies en hoe het je workflow kan stroomlijnen met onze Ultralytics HUB snelstartgids.

Wat zijn de meest voorkomende problemen tijdens de YOLO modeltraining en hoe kan ik die oplossen?

Veel voorkomende problemen tijdens het trainen van modellen op YOLO zijn fouten in de opmaak van gegevens, mismatches in de modelarchitectuur en onvoldoende trainingsgegevens. Om deze problemen op te lossen, moet je ervoor zorgen dat je dataset correct geformatteerd is, controleren op compatibele modelversies en je trainingsgegevens uitbreiden. Raadpleeg voor een uitgebreide lijst met oplossingen onze YOLO gids voor veelvoorkomende problemen.

Hoe kan ik mijn YOLO model inzetten voor realtime objectdetectie op randapparaten?

Om YOLO modellen in te zetten op randapparaten zoals NVIDIA Jetson en Raspberry Pi moet het model geconverteerd worden naar een compatibel formaat zoals TensorRT of TFLite. Volg onze stapsgewijze gidsen voor NVIDIA Jetson en Raspberry Pi implementaties om aan de slag te gaan met real-time objectdetectie op randapparatuur. Deze gidsen leiden je door de installatie, configuratie en prestatieoptimalisatie.



Aangemaakt 2023-11-12, Bijgewerkt 2024-07-10
Auteurs: abirami-vina (6), glenn-jocher (11), lakshanthad ( 2), ambitious-octopus (1), RizwanMunawar (7), Burhan-Q (3), ouphi (1)

Reacties