Overslaan naar inhoud

Modellen ondersteund door Ultralytics

Welkom bij Ultralytics' modeldocumentatie! We bieden ondersteuning voor een breed scala aan modellen, elk op maat gemaakt voor specifieke taken zoals objectdetectie, segmentatie van instanties, beeldclassificatie, schatting van de houding en het volgen van meerdere objecten. Als je geïnteresseerd bent in het bijdragen van je modelarchitectuur aan Ultralytics, bekijk dan onze Bijdragengids.

Hier zijn enkele van de belangrijkste modellen die worden ondersteund:

  1. YOLOv3: De derde iteratie van de YOLO modelfamilie, oorspronkelijk van Joseph Redmon, die bekend staat om zijn efficiënte realtime objectdetectiemogelijkheden.
  2. YOLOv4: Een darknet-native update voor YOLOv3, uitgebracht door Alexey Bochkovskiy in 2020.
  3. YOLOv5: Een verbeterde versie van de YOLO architectuur door Ultralytics, die betere prestaties en snelheid biedt in vergelijking met eerdere versies.
  4. YOLOv6: Uitgebracht door Meituan in 2022 en in gebruik in veel van de autonome bezorgrobots van het bedrijf.
  5. YOLOv7: Bijgewerkte YOLO modellen uitgebracht in 2022 door de auteurs van YOLOv4.
  6. YOLOv8 NIEUW 🚀: De nieuwste versie van de YOLO familie, met verbeterde mogelijkheden zoals segmentatie van instanties, schatting van pose/keypoints en classificatie.
  7. YOLOv9: Een experimenteel model getraind op de Ultralytics YOLOv5 codebase die Programmable Gradient Information (PGI) implementeert.
  8. YOLOv10: Door Tsinghua University, met NMS-vrije training en een op efficiëntie en nauwkeurigheid gerichte architectuur, die state-of-the-art prestaties en latentie levert.
  9. Segment Anything Model (SAM): Meta's Segment Anything Model (SAM).
  10. Mobile Segment Anything Model (MobileSAM)MobileSAM voor mobiele toepassingen, door Kyung Hee University.
  11. Snel Segment Anything Model (FastSAM): FastSAM door Image & Video Analysis Group, Institute of Automation, Chinese Academy of Sciences.
  12. YOLO-NAS: YOLO Modellen voor neuraal architectuur zoeken (NAS).
  13. Realtime-detectietransformatoren (RT-DETR): Baidu's PaddlePaddle Realtime Detection Transformer (RT-DETR) modellen.
  14. YOLO-Wereld: Realtime Open Vocabulary Object Detection-modellen van Tencent AI Lab.



Kijken: Voer Ultralytics YOLO modellen uit in slechts een paar regels code.

Aan de slag: Gebruiksvoorbeelden

Dit voorbeeld geeft eenvoudige YOLO training en inferentie voorbeelden. Voor volledige documentatie over deze en andere modi zie de Predict, Train, Val en Export docs pagina's.

Let op: het onderstaande voorbeeld is voor YOLOv8 Detect modellen voor objectdetectie. Zie de documenten Segmenteren, Classificeren en Poseren voor aanvullende ondersteunde taken.

Voorbeeld

PyTorch voorgetraind *.pt modellen en configuratie *.yaml bestanden kunnen worden doorgegeven aan de YOLO(), SAM(), NAS() en RTDETR() klassen om een instantie van een model te maken in Python:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

CLI commando's zijn beschikbaar om de modellen direct uit te voeren:

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

Nieuwe modellen bijdragen

Heb je interesse om je model bij te dragen aan Ultralytics? Geweldig! We staan altijd open voor uitbreiding van onze modellenportefeuille.

  1. Fork de repository: Begin met het forken van de Ultralytics GitHub repository.

  2. Kloon je fork: Kloon je fork naar je lokale machine en maak een nieuwe branch om aan te werken.

  3. Implementeer je model: Voeg je model toe volgens de coderingsstandaarden en richtlijnen in onze Bijdragengids.

  4. Grondig testen: Zorg ervoor dat je je model grondig test, zowel afzonderlijk als als onderdeel van de pijplijn.

  5. Maak een pull-verzoek aan: Als je tevreden bent met je model, maak dan een pull request aan naar het hoofdrepository ter controle.

  6. Code beoordelen en samenvoegen: Als je model na controle voldoet aan onze criteria, wordt het samengevoegd in het hoofdrepository.

Raadpleeg onze Bijdragengids voor gedetailleerde stappen.

FAQ

Wat zijn de belangrijkste voordelen van het gebruik van Ultralytics YOLOv8 voor objectdetectie?

Ultralytics YOLOv8 biedt verbeterde mogelijkheden zoals realtime objectdetectie, segmentatie van instanties, schatting van de houding en classificatie. De geoptimaliseerde architectuur garandeert snelle prestaties zonder in te leveren op nauwkeurigheid, waardoor het ideaal is voor een verscheidenheid aan toepassingen. YOLOv8 bevat ook ingebouwde compatibiliteit met populaire datasets en modellen, zoals beschreven op de YOLOv8 documentatiepagina.

Hoe kan ik een YOLOv8 model trainen op aangepaste gegevens?

Het trainen van een YOLOv8 model op aangepaste gegevens kan eenvoudig worden uitgevoerd met behulp van Ultralytics' bibliotheken. Hier is een snel voorbeeld:

Voorbeeld

from ultralytics import YOLO

# Load a YOLOv8n model
model = YOLO("yolov8n.pt")

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)
yolo train model=yolov8n.pt data='custom_data.yaml' epochs=100 imgsz=640

Ga voor meer gedetailleerde instructies naar de documentatiepagina van Train.

Welke YOLO versies worden ondersteund door Ultralytics?

Ultralytics ondersteunt een uitgebreide reeks YOLO (You Only Look Once)-versies van YOLOv3 tot YOLOv10, samen met modellen zoals NAS, SAM en RT-DETR. Elke versie is geoptimaliseerd voor verschillende taken zoals detectie, segmentatie en classificatie. Raadpleeg voor gedetailleerde informatie over elk model de documentatie Modellen ondersteund door Ultralytics.

Waarom zou ik Ultralytics HUB gebruiken voor machine-leerprojecten?

Ultralytics HUB biedt een end-to-end platform zonder code voor het trainen, inzetten en beheren van YOLO modellen. Het vereenvoudigt complexe workflows, zodat gebruikers zich kunnen richten op de prestaties en toepassing van het model. De HUB biedt ook trainingsmogelijkheden in de cloud, uitgebreid datasetbeheer en gebruiksvriendelijke interfaces. Lees er meer over op de Ultralytics HUB documentatiepagina.

Welke soorten taken kan YOLOv8 uitvoeren en hoe verhoudt het zich tot andere YOLO versies?

YOLOv8 is een veelzijdig model dat taken kan uitvoeren als objectdetectie, segmentatie van instanties, classificatie en schatting van de houding. Vergeleken met eerdere versies zoals YOLOv3 en YOLOv4, biedt YOLOv8 aanzienlijke verbeteringen in snelheid en nauwkeurigheid dankzij de geoptimaliseerde architectuur. Raadpleeg voor een diepere vergelijking de YOLOv8 documentatie en de Taak pagina's voor meer details over specifieke taken.



Aangemaakt 2023-11-12, Bijgewerkt 2024-07-04
Auteurs: glenn-jocher (13), Laughing-q (1)

Reacties