Tutoriais Abrangentes para Ultralytics YOLO

Bem-vindo aos Guias YOLO 🚀 da Ultralytics! Os nossos tutoriais abrangentes cobrem vários aspetos do modelo de deteção de objetos YOLO, desde o treino e previsão até à implementação. Construído em PyTorch, o YOLO destaca-se pela sua velocidade excecional e precisão em tarefas de deteção 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.

Um guia sobre testes de modelos: um guia completo sobre como testar os seus modelos de visão computacional em configurações realistas. Aprenda a verificar a precisão, a fiabilidade e o desempenho de acordo com os objetivos do projeto.
Introdução rápida ao AzureML: Comece a utilizarYOLO Ultralytics na plataforma Azure Machine Learning Microsoft. Aprenda a treinar, implementar e dimensionar os seus projetos de deteção de objetos na nuvem.
Melhores práticas para implementação de modelos: conheça dicas e melhores práticas para implementar modelos de forma eficiente em projetos de visão computacional, com foco em otimização, resolução de problemas e segurança.
Início rápido do Conda: guia passo a passo para configurar um ambiente Conda para Ultralytics. Aprenda a instalar e começar a usar o Ultralytics de forma eficiente com o Conda.
Recolha e anotação de dados: Explore as ferramentas, técnicas e melhores práticas para recolher e anotar dados, a fim de criar entradas de alta qualidade para os seus modelos de visão computacional.
DeepStream no NVIDIA : Guia rápido para implementar YOLO em dispositivos NVIDIA usando DeepStream e TensorRT.
Definindo os objetivos de um projeto de visão computacional: 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.
Guia rápido do Docker: guia completo para configurar e usarYOLO Ultralytics YOLO com o Docker. Aprenda a instalar o Docker, gerir GPU e executar YOLO em contentores isolados para desenvolvimento e implementação consistentes.
Edge TPU no Raspberry Pi: Google Edge TPU acelera a inferência YOLO no Raspberry Pi.
Ajuste de hiperparâmetros: Descubra como otimizar YOLO seus YOLO ajustando os hiperparâmetros usando a classe Tuner e algoritmos de evolução genética.
Informações sobre avaliação e ajuste fino de modelos: obtenha informações sobre as estratégias e melhores práticas para avaliar e ajustar os seus modelos de visão computacional. Saiba mais sobre o processo iterativo de refinamento de modelos para obter resultados ideais.
Isolando objetos de segmentação: receita passo a passo e explicação sobre como extrair e/ou isolar objetos de imagens usando Ultralytics .
Validação cruzada K-Fold: Aprenda a melhorar a generalização do modelo usando a técnica de validação cruzada K-Fold.
Manutenção do seu modelo de visão computacional: Compreenda as práticas essenciais para monitorizar, manter e documentar modelos de visão computacional para garantir a precisão, identificar anomalias e mitigar o desvio de dados.
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.
Guia de configuração do modelo YAML: uma análise aprofundada e abrangente das definições da arquitetura do modelo Ultralytics. Explore o formato YAML, compreenda o sistema de resolução de módulos e aprenda a integrar módulos personalizados de forma integrada.
NVIDIA : Guia rápido para implementar YOLO em dispositivos NVIDIA .
ModosOpenVINO e rendimentoOpenVINO : aprenda técnicas de otimização de latência e rendimento para obter o máximo desempenho YOLO .
Pré-processamento de dados anotados: aprenda sobre pré-processamento e 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).
Raspberry Pi: Tutorial rápido para executar YOLO no hardware Raspberry Pi mais recente.
Introdução rápida ao ROS: Aprenda a integrar YOLO o Robot Operating System (ROS) para deteção de objetos em tempo real em aplicações robóticas, incluindo imagens de nuvem de pontos e profundidade.
Inferência em mosaico SAHI: Guia completo sobre como aproveitar os recursos de inferência em mosaico do SAHI com YOLO11 detecção de objetos em imagens de alta resolução.
Etapas de um projeto de visão computacional: conheça as principais etapas envolvidas em um projeto de visão computacional, incluindo a definição de objetivos, a seleção de modelos, a preparação de dados e a avaliação de resultados.
Dicas para o treino de modelos: Explore dicas sobre como otimizar tamanhos de lotes, usar precisão mista, aplicar pesos pré-treinados e muito mais para facilitar o treino do seu modelo de visão computacional.
Integração comTriton Server: mergulhe na integração do Ultralytics YOLO11 Triton Server NVIDIA para implementações de inferência de deep learning escaláveis e eficientes.
Implantação do Vertex AI com o Docker: guia simplificado para conteinerizar YOLO com o Docker e implantá-los no Google Vertex AI — abrangendo compilação, envio, dimensionamento automático e monitoramento.
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.
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.
AumentoYOLO : Domine toda a gama de técnicas de aumento de dados no YOLO, desde transformações básicas até estratégias avançadas para melhorar a robustez e o desempenho do modelo.
Métricas de Desempenho do YOLO ⭐ ESSENCIAL: Entenda as principais métricas como mAP, IoU e pontuação F1 usadas para avaliar o desempenho de seus modelos YOLO. Inclui exemplos práticos e dicas sobre como melhorar a precisão e a velocidade da detecção.
InferênciaYOLO : diretrizes para realizar inferências com YOLO de maneira segura para threads. Aprenda a importância da segurança de threads e as melhores práticas para evitar condições de corrida e garantir previsões consistentes.

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 as 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 (mAP), Intersecção sobre União (IoU) e pontuação F1. Essas métricas ajudam a avaliar a acurácia 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 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?

Implementar 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 NVIDIA Jetson e Raspberry Pi para começar com a detecção de objetos em tempo real no hardware de borda. Esses guias irão guiá-lo através da instalação, configuração e otimização de desempenho.

📅 Criado há 2 anos ✏️ Atualizado há 1 dia