Overslaan naar inhoud

Objectdetectie

Objectdetectie voorbeelden

Objectdetectie is een taak waarbij de locatie en klasse van objecten in een afbeelding of videostroom worden geïdentificeerd.

De uitvoer van een objectdetector is een verzameling begrenzende vakken die de objecten in de afbeelding omsluiten, samen met klasse labels en betrouwbaarheidscores voor elk vak. Objectdetectie is een goede keuze als je interessante objecten in een scène moet identificeren, maar niet precies hoeft te weten waar het object zich bevindt of wat de exacte vorm ervan is.



Kijken: Objectdetectie met voorgetraind Ultralytics YOLOv8 model.

Tip

YOLOv8 Detecteer modellen zijn de standaard YOLOv8 modellen, d.w.z. yolov8n.pt en zijn voorgetraind op COCO.

Modellen

YOLOv8 voorgetrainde Detect-modellen worden hier getoond. Detect, Segment en Pose modellen zijn voorgetraind op de COCO dataset, terwijl Classify modellen zijn voorgetraind op de ImageNet dataset.

Modellen worden bij het eerste gebruik automatisch gedownload van de nieuwste Ultralytics release.

Model grootte
(pixels)
mAPval
50-95
Snelheid
CPU ONNX
(ms)
Snelheid
A100 TensorRT
(ms)
params
(M)
FLOP's
(B)
YOLOv8n 640 37.3 80.4 0.99 3.2 8.7
YOLOv8s 640 44.9 128.4 1.20 11.2 28.6
YOLOv8m 640 50.2 234.7 1.83 25.9 78.9
YOLOv8l 640 52.9 375.2 2.39 43.7 165.2
YOLOv8x 640 53.9 479.1 3.53 68.2 257.8
  • mAPval waarden zijn voor één model met één schaal op COCO val2017 dataset.
    Reproduceren door yolo val detect data=coco.yaml device=0
  • Snelheid gemiddeld over COCO-valbeelden met behulp van een Amazon EC2 P4d voorbeeld.
    Reproduceren door yolo val detect data=coco8.yaml batch=1 device=0|cpu

Trein

Train YOLOv8n op de COCO8 dataset voor 100 epochs met afbeeldingsgrootte 640. Zie de configuratiepagina voor een volledige lijst met beschikbare argumenten.

Voorbeeld

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

Formaat dataset

YOLO Het formaat van de detectiedataset is in detail te vinden in de Datasetgids. Om je bestaande dataset van andere formaten (zoals COCO etc.) te converteren naar het YOLO formaat, kun je de JSON2YOLO tool gebruiken van Ultralytics.

Val

Valideer de nauwkeurigheid van het getrainde YOLOv8n model op de COCO8 dataset. Er hoeven geen argumenten te worden doorgegeven als de model behoudt zijn opleiding data en argumenten als modelattributen.

Voorbeeld

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

Voorspel

Gebruik een getraind YOLOv8n model om voorspellingen op afbeeldingen uit te voeren.

Voorbeeld

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

Bekijk volledig predict details over de modus in de Voorspel pagina.

Exporteer

Exporteer een YOLOv8n model naar een ander formaat zoals ONNX, CoreML, enz.

Voorbeeld

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

Beschikbare YOLOv8 exportformaten staan in de tabel hieronder. Je kunt naar elk formaat exporteren met de format argument, d.w.z. format='onnx' of format='engine'. Je kunt direct voorspellen of valideren op geëxporteerde modellen, d.w.z. yolo predict model=yolov8n.onnx. Gebruiksvoorbeelden worden getoond voor je model nadat het exporteren is voltooid.

Formaat format Argument Model Metagegevens Argumenten
PyTorch - yolov8n.pt -
TorchScript torchscript yolov8n.torchscript imgsz, optimize, batch
ONNX onnx yolov8n.onnx imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n_openvino_model/ imgsz, half, int8, batch
TensorRT engine yolov8n.engine imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n.mlpackage imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n_saved_model/ imgsz, keras, int8, batch
TF GraphDef pb yolov8n.pb imgsz, batch
TF Lite tflite yolov8n.tflite imgsz, half, int8, batch
TF Rand TPU edgetpu yolov8n_edgetpu.tflite imgsz
TF.js tfjs yolov8n_web_model/ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n_paddle_model/ imgsz, batch
NCNN ncnn yolov8n_ncnn_model/ imgsz, half, batch

Bekijk volledig export details in de Exporteer pagina.

FAQ

Hoe train ik een YOLOv8 model op mijn aangepaste dataset?

Het trainen van een YOLOv8 model op een aangepaste dataset bestaat uit een paar stappen:

  1. Bereid de dataset voor: Zorg ervoor dat je dataset het YOLO formaat heeft. Raadpleeg onze Handleiding Dataset voor richtlijnen.
  2. Het model laden: Gebruik de Ultralytics YOLO bibliotheek om een voorgetraind model te laden of een nieuw model te maken vanuit een YAML bestand.
  3. Het model trainen: Voer de train methode in Python of de yolo detect train commando in CLI.

Voorbeeld

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

Ga voor gedetailleerde configuratieopties naar de pagina Configuratie.

Welke voorgetrainde modellen zijn beschikbaar in YOLOv8?

Ultralytics YOLOv8 biedt verschillende voorgetrainde modellen voor objectdetectie, segmentatie en pose-schatting. Deze modellen zijn voorgetraind op de COCO dataset of ImageNet voor classificatietaken. Hier zijn enkele van de beschikbare modellen:

Raadpleeg het gedeelte Modellen voor een gedetailleerde lijst en prestatiecijfers.

Hoe kan ik de nauwkeurigheid van mijn getrainde YOLOv8 model valideren?

Om de nauwkeurigheid van je getrainde YOLOv8 model te valideren, kun je de .val() methode in Python of de yolo detect val commando in CLI. Dit geeft statistieken zoals mAP50-95, mAP50 en meer.

Voorbeeld

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

Ga voor meer validatiedetails naar de Val pagina.

Naar welke formaten kan ik een YOLOv8 model exporteren?

Ultralytics YOLOv8 maakt het mogelijk om modellen te exporteren naar verschillende formaten zoals ONNX, TensorRT, CoreML, en meer om compatibiliteit tussen verschillende platforms en apparaten te garanderen.

Voorbeeld

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

Bekijk de volledige lijst met ondersteunde formaten en instructies op de pagina Exporteren.

Waarom zou ik Ultralytics YOLOv8 gebruiken voor objectdetectie?

Ultralytics YOLOv8 is ontworpen om state-of-the-art prestaties te bieden voor objectdetectie, segmentatie en pose-schatting. Hier zijn enkele belangrijke voordelen:

  1. Voorgetrainde modellen: Gebruik modellen die zijn voorgetraind op populaire datasets zoals COCO en ImageNet voor snellere ontwikkeling.
  2. Hoge nauwkeurigheid: Behaalt indrukwekkende mAP-scores en zorgt zo voor betrouwbare objectdetectie.
  3. Snelheid: Geoptimaliseerd voor real-time inferentie, dus ideaal voor toepassingen die snelle verwerking vereisen.
  4. Flexibiliteit: Exporteer modellen naar verschillende formaten zoals ONNX en TensorRT voor gebruik op meerdere platforms.

Bekijk onze Blog voor use cases en succesverhalen over YOLOv8 in actie.



Aangemaakt 2023-11-12, Bijgewerkt 2024-07-04
Auteurs: glenn-jocher (21), Burhan-Q (4), Laughing-q (1)

Reacties