Tutoriais Abrangentes para Ultralytics YOLO

Q: How can I deploy my YOLO model for real-time object detection on edge devices?

A implementação de modelos YOLO em dispositivos de borda, como NVIDIA Jetson e Raspberry Pi, requer a conversão do modelo para um formato compatível, como TensorRT ou TFLite. Siga nossos guias passo a passo para implementações em NVIDIA Jetson e Raspberry Pi para começar a detecção de objetos em tempo real em hardware de borda. Esses guias irão orientá-lo na instalação, configuração e otimização de desempenho.

Bem-vindo aos guias YOLO 🚀 da Ultralytics! Nossos tutoriais abrangentes cobrem vários aspectos do modelo de detecção de objetos YOLO, desde treinamento e previsão até implementação. Construído em PyTorch, o YOLO se destaca por sua excepcional velocidade e precisão em tarefas de detecção de objetos em tempo real.

Seja você um iniciante ou um especialista em aprendizado profundo, nossos tutoriais oferecem informações valiosas sobre a implementação e otimização do YOLO para seus projetos de visão computacional. Vamos mergulhar!

Assista: Visão Geral dos Guias Ultralytics YOLO11

Guias

Aqui está uma compilação de guias detalhados para ajudá-lo a dominar diferentes aspectos do Ultralytics YOLO.

Problemas Comuns do YOLO ⭐ RECOMENDADO: Soluções práticas e dicas de solução de problemas para os problemas mais frequentemente encontrados ao trabalhar com modelos Ultralytics YOLO.
Métricas de Desempenho do YOLO ⭐ ESSENCIAL: Entenda as principais métricas como mAP, IoU e F1 score usadas para avaliar o desempenho de seus modelos YOLO. Inclui exemplos práticos e dicas sobre como melhorar a precisão e a velocidade da detecção.
Inferência Thread-Safe do YOLO 🚀 NOVO: Diretrizes para realizar inferência com modelos YOLO de maneira thread-safe. Aprenda a importância da segurança de threads e as melhores práticas para evitar condições de corrida e garantir previsões consistentes.
Aumento de Dados YOLO 🚀 NOVO: Domine a gama completa de técnicas de aumento de dados em YOLO, desde transformações básicas até estratégias avançadas para melhorar a robustez e o desempenho do modelo.
Opções de Implementação de Modelo: Visão geral dos formatos de implementação de modelo YOLO como ONNX, OpenVINO e TensorRT, com prós e contras para cada um para informar sua estratégia de implementação.
Validação Cruzada K-Fold 🚀 NOVO: Aprenda como melhorar a generalização do modelo usando a técnica de validação cruzada K-Fold.
Ajuste de Hiperparâmetros 🚀 NOVO: Descubra como otimizar seus modelos YOLO ajustando os hiperparâmetros usando a classe Tuner e algoritmos de evolução genética.
Inferência em Mosaico SAHI 🚀 NOVO: Guia abrangente sobre como aproveitar os recursos de inferência em fatias do SAHI com YOLO11 para detecção de objetos em imagens de alta resolução.
Início Rápido do AzureML 🚀 NOVO: Comece a usar os modelos Ultralytics YOLO na plataforma Azure Machine Learning da Microsoft. Aprenda como treinar, implementar e dimensionar seus projetos de detecção de objetos na nuvem.
Início Rápido do Conda 🚀 NOVO: Guia passo a passo para configurar um ambiente Conda para Ultralytics. Aprenda como instalar e começar a usar o pacote Ultralytics de forma eficiente com o Conda.
Início Rápido do Docker 🚀 NOVO: Guia completo para configurar e usar modelos Ultralytics YOLO com Docker. Aprenda como instalar o Docker, gerenciar o suporte a GPU e executar modelos YOLO em contêineres isolados para desenvolvimento e implementação consistentes.
Raspberry Pi 🚀 NOVO: Tutorial de início rápido para executar modelos YOLO no hardware Raspberry Pi mais recente.
NVIDIA Jetson 🚀 NOVO: Guia de início rápido para implementar modelos YOLO em dispositivos NVIDIA Jetson.
DeepStream no NVIDIA Jetson 🚀 NOVO: Guia de início rápido para implementar modelos YOLO em dispositivos NVIDIA Jetson usando DeepStream e TensorRT.
Integração com o Servidor de Inferência Triton 🚀 NOVO: Mergulhe na integração do Ultralytics YOLO11 com o Servidor de Inferência Triton da NVIDIA para implementações de inferência de deep learning escaláveis e eficientes.
Isolando Objetos de Segmentação 🚀 NOVO: Receita passo a passo e explicação sobre como extrair e/ou isolar objetos de imagens usando a Segmentação Ultralytics.
Edge TPU no Raspberry Pi: Google Edge TPU acelera a inferência YOLO no Raspberry Pi.
Visualizar Imagens de Inferência em um Terminal: Use o terminal integrado do VSCode para visualizar os resultados da inferência ao usar o Remote Tunnel ou sessões SSH.
Modos de Latência vs. Throughput do OpenVINO - Aprenda técnicas de otimização de latência e throughput para o máximo desempenho de inferência YOLO.
Início Rápido do ROS 🚀 NOVO: Aprenda como integrar o YOLO com o Robot Operating System (ROS) para detecção de objetos em tempo real em aplicações de robótica, incluindo Point Cloud e imagens de profundidade.
Etapas de um Projeto de Visão Computacional 🚀 NOVO: Aprenda sobre as principais etapas envolvidas em um projeto de visão computacional, incluindo a definição de objetivos, seleção de modelos, preparação de dados e avaliação de resultados.
Definindo os Objetivos de um Projeto de Visão Computacional 🚀 NOVO: Veja como definir de forma eficaz objetivos claros e mensuráveis para o seu projeto de visão computacional. Aprenda a importância de uma declaração de problema bem definida e como ela cria um roteiro para o seu projeto.
Coleta e Anotação de Dados 🚀 NOVO: Explore as ferramentas, técnicas e melhores práticas para coletar e anotar dados para criar entradas de alta qualidade para seus modelos de visão computacional.
Pré-processamento de Dados Anotados 🚀 NOVO: Aprenda sobre o pré-processamento e o aumento de dados de imagem em projetos de visão computacional usando YOLO11, incluindo normalização, aumento de conjunto de dados, divisão e análise exploratória de dados (EDA).
Dicas para Treinamento de Modelo 🚀 NOVO: Explore dicas sobre como otimizar tamanhos de lote, usar precisão mista, aplicar pesos pré-treinados e muito mais para facilitar o treinamento do seu modelo de visão computacional.
Insights sobre Avaliação e Ajuste Fino de Modelos 🚀 NOVO: Obtenha insights sobre as estratégias e melhores práticas para avaliar e ajustar seus modelos de visão computacional. Aprenda sobre o processo iterativo de refinamento de modelos para obter resultados ideais.
Um Guia sobre Teste de Modelos 🚀 NOVO: Um guia completo sobre como testar seus modelos de visão computacional em ambientes realistas. Aprenda como verificar a precisão, confiabilidade e desempenho de acordo com os objetivos do projeto.
Melhores Práticas para Implantação de Modelos 🚀 NOVO: Veja dicas e melhores práticas para implantar modelos de forma eficiente em projetos de visão computacional, com foco em otimização, solução de problemas e segurança.
Manutenção do Seu Modelo de Visão Computacional 🚀 NOVO: Entenda as principais práticas para monitorar, manter e documentar modelos de visão computacional para garantir a precisão, identificar anomalias e mitigar o desvio de dados.
Implantação do Vertex AI com Docker 🚀 NOVO: Guia simplificado para conteinerizar modelos YOLO com Docker e implantá-los no Google Cloud Vertex AI — abrangendo construção, push, autoescalonamento e monitoramento.

Contribua com Nossos Guias

Agradecemos as contribuições da comunidade! Se você domina algum aspecto específico do Ultralytics YOLO que ainda não foi abordado em nossos guias, incentivamos você a compartilhar sua experiência. Escrever um guia é uma ótima maneira de retribuir à comunidade e nos ajudar a tornar nossa documentação mais abrangente e amigável.

Para começar, por favor, leia o nosso Guia de Contribuição para obter orientações sobre como abrir um Pull Request (PR) 🛠️. Aguardamos ansiosamente suas contribuições!

Vamos trabalhar juntos para tornar o ecossistema Ultralytics YOLO mais robusto e versátil 🙏!

FAQ

Como faço para treinar um modelo de detecção de objetos personalizado usando Ultralytics YOLO?

Treinar um modelo de detecção de objetos personalizado com Ultralytics YOLO é simples. Comece preparando seu conjunto de dados no formato correto e instalando o pacote Ultralytics. Use o código a seguir para iniciar o treinamento:

Exemplo

PythonCLI

from ultralytics import YOLO

model = YOLO("yolo11n.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=yolo11n.pt data=path/to/dataset.yaml epochs=50

Para formatação detalhada do conjunto de dados e opções adicionais, consulte nosso guia de Dicas para Treinamento de Modelo.

Quais métricas de desempenho devo usar para avaliar meu modelo YOLO?

Avaliar o desempenho do seu modelo YOLO é crucial para entender sua eficácia. As principais métricas incluem Precisão Média Média (mAP), Intersecção sobre União (IoU) e pontuação F1. Essas métricas ajudam a avaliar a precisão e a precisão das tarefas de detecção de objetos. Você pode aprender mais sobre essas métricas e como melhorar seu modelo em nosso guia de Métricas de Desempenho do YOLO.

Por que devo usar o Ultralytics HUB para meus projetos de visão computacional?

O Ultralytics HUB é uma plataforma sem código que simplifica o gerenciamento, treinamento e implantação de modelos YOLO. Ele oferece suporte à integração perfeita, rastreamento em tempo real e treinamento em nuvem, tornando-o ideal tanto para iniciantes quanto para profissionais. Descubra mais sobre seus recursos e como ele pode otimizar seu fluxo de trabalho com nosso guia de início rápido do Ultralytics HUB.

Quais são os problemas comuns enfrentados durante o treinamento do modelo YOLO e como posso resolvê-los?

Problemas comuns durante o treinamento do modelo YOLO incluem erros de formatação de dados, incompatibilidades de arquitetura do modelo e dados de treinamento insuficientes. Para resolver esses problemas, certifique-se de que seu conjunto de dados esteja formatado corretamente, verifique se há versões de modelo compatíveis e aumente seus dados de treinamento. Para obter uma lista abrangente de soluções, consulte nosso guia de Problemas Comuns do YOLO.

Como posso implementar meu modelo YOLO para detecção de objetos em tempo real em dispositivos de borda?

A implantação de modelos YOLO em dispositivos de borda, como NVIDIA Jetson e Raspberry Pi, requer a conversão do modelo para um formato compatível, como TensorRT ou TFLite. Siga nossos guias passo a passo para implantações NVIDIA Jetson e Raspberry Pi para começar com a detecção de objetos em tempo real em hardware de borda. Esses guias o orientarão na instalação, configuração e otimização de desempenho.

📅 Criado há 1 ano ✏️ Atualizado há 1 mês