Objectdetectie
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 dooryolo val detect data=coco.yaml device=0
- Snelheid gemiddeld over COCO-valbeelden met behulp van een Amazon EC2 P4d voorbeeld.
Reproduceren dooryolo 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 training 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
Voorspel
Gebruik een getraind YOLOv8n model om voorspellingen op afbeeldingen uit te voeren.
Voorbeeld
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
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 , 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 , batch |
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.
Aangemaakt 2023-11-12, Bijgewerkt 2024-04-27
Auteurs: glenn-jocher (14), Burhan-Q (1), Laughing-q (1), AyushExel (1)