Tutoriais abrangentes para Ultralytics YOLO

Bem-vindo ao Ultralytics' YOLO 🚀 Guias! Os nossos tutoriais abrangentes cobrem vários aspectos do modelo dedeteção de objectos YOLO , desde a formação e previsão até à implementação. Construído em PyTorchYOLO destaca-se pela sua excecional velocidade e precisão em tarefas de deteção de objectos em tempo real.

Quer seja um principiante ou um especialista em aprendizagem profunda, os nossos tutoriais oferecem informações valiosas sobre a implementação e otimização do YOLO para os seus projectos de visão computacional. Vamos mergulhar!

Ver: Ultralytics YOLO11 Visão geral dos guias

Guias

Aqui está uma compilação de guias detalhados para o ajudar a dominar diferentes aspectos de Ultralytics YOLO .

• YOLO Problemas comuns ⭐ RECOMENDADO: Soluções práticas e dicas de resolução de problemas para os problemas mais frequentemente encontrados quando se trabalha com os modelos Ultralytics YOLO .
• YOLO Métricas de desempenho ⭐ 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 de deteção.
• Opções de implantação de modelos: Visão geral dos formatos deimplantação do modelo YOLO , como ONNX, OpenVINO e TensorRT, com os prós e contras de cada um para informar sua estratégia de implantação.
• K-Fold Cross Validation 🚀 NOVO: Aprenda a melhorar a generalização do modelo usando a técnica de validação cruzada K-Fold.
• Ajuste de hiperparâmetros 🚀 NOVO: Descubra como otimizar os seus modelos YOLO através do ajuste fino de hiperparâmetros utilizando a classe Tuner e algoritmos de evolução genética.
• SAHI Tiled Inference 🚀 NOVO: Guia abrangente sobre como tirar partido das capacidades de inferência fatiada do SAHI com YOLO11 para deteção de objectos em imagens de alta resolução.
• Início Rápido do AzureML 🚀 NOVO: Comece a trabalhar com Ultralytics YOLO modelos na plataforma de Aprendizagem Automática do Azure de Microsoft. Saiba como treinar, implantar e dimensionar seus projetos de deteção de objetos na nuvem.
• Conda Quickstart 🚀 NOVO: Guia passo a passo para configurar um ambiente Conda para Ultralytics. Saiba 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 o Docker. Saiba como instalar o Docker, gerenciar o suporte GPU e executar modelos YOLO em contêineres isolados para desenvolvimento e implantação consistentes.
• Raspberry Pi 🚀 NOVO: Tutorial de início rápido para executar os modelos YOLO no mais recente hardware Raspberry Pi.
• NVIDIA Jetson 🚀 NOVO: Guia de início rápido para a implementação de modelos YOLO em dispositivos NVIDIA Jetson.
• DeepStream em NVIDIA Jetson 🚀 NOVO: Guia de início rápido para implantação de modelos YOLO em dispositivos NVIDIA Jetson usando DeepStream e TensorRT.
• Triton Integração do Servidor de Inferência 🚀 NOVO: Mergulhe na integração do Ultralytics YOLO11 com o Servidor de Inferência Triton do NVIDIA para implantações de inferência de aprendizado profundo escalonáveis e eficientes.
• YOLO Inferência segura para threads 🚀 NOVO: Diretrizes para realizar inferência com modelos YOLO de maneira segura para threads. Saiba a importância da segurança de thread e das práticas recomendadas para evitar condições de corrida e garantir previsões consistentes.
• Isolamento de objectos de segmentação 🚀 NOVO: Receita e explicação passo a passo sobre como extrair e/ou isolar objectos de imagens utilizando a Ultralytics Segmentação.
• Edge TPU no Raspberry Pi: Google O Edge TPU acelera a inferência YOLO no Raspberry Pi.
• Visualizar imagens de inferência num terminal: Utilize o terminal integrado do VSCode para visualizar os resultados da inferência quando estiver a utilizar o Túnel Remoto ou sessões SSH.
• OpenVINO Modos de latência vs. taxa de transferência - Aprenda técnicas de otimização de latência e taxa de transferência para obter o melhor desempenho de inferência em YOLO .
• Etapas de um projeto de visão computacional 🚀 NOVO: Saiba mais sobre as principais etapas envolvidas num projeto de visão computacional, incluindo a definição de objectivos, a seleção de modelos, a preparação de dados e a avaliação de resultados.
• Definindo as metas de um projeto de visão computacional 🚀 NOVO: Veja como definir efetivamente metas claras e mensuráveis para seu projeto de visão computacional. Aprenda a importância de uma declaração de problema bem definida e como ela cria um roteiro para seu projeto.
• Recolha e Anotação de Dados 🚀 NOVO: Explore as ferramentas, técnicas e melhores práticas para recolher e anotar dados para criar entradas de alta qualidade para os seus modelos de visão computacional.
• Pré-processamento de dados anotados 🚀 NOVO: Saiba mais sobre o pré-processamento e o aumento de dados de imagem em projectos de visão computacional utilizando YOLO11, incluindo normalização, aumento do 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 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. Saiba mais sobre o processo iterativo de refinamento de modelos para obter resultados ideais.
• Um guia sobre o teste de modelos 🚀 NOVO: Um guia completo sobre como testar os seus modelos de visão por computador em ambientes realistas. Saiba como verificar a precisão, a fiabilidade e o desempenho de acordo com os objectivos do projeto.
• Práticas recomendadas para implantação de modelos 🚀 NOVO: Percorra dicas e práticas recomendadas para implantar modelos com eficiência em projetos de visão computacional, com foco na otimização, solução de problemas e segurança.
• Mantendo seu modelo de visão computacional 🚀 NOVO: Entenda as principais práticas para monitorar, manter e documentar modelos de visão computacional para garantir a precisão, detetar anomalias e mitigar o desvio de dados.
• ROS Quickstart 🚀 NOVO: Saiba como integrar YOLO com o Sistema Operativo de Robôs (ROS) para deteção de objectos em tempo real em aplicações robóticas, incluindo imagens Point Cloud e Depth.

Contribuir para os nossos guias

As contribuições da comunidade são bem-vindas! Se domina um aspeto específico de Ultralytics YOLO que ainda não foi abordado nos nossos guias, encorajamo-lo a partilhar os seus conhecimentos. Escrever um guia é uma excelente forma de retribuir à comunidade e ajudar-nos a tornar a nossa documentação mais abrangente e fácil de utilizar.

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

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

FAQ

Como posso treinar um modelo de deteção de objectos personalizado utilizando Ultralytics YOLO ?

Treinar um modelo de deteção de objectos personalizado com Ultralytics YOLO é simples. Comece por preparar o seu conjunto de dados no formato correto e instale o pacote Ultralytics . Utilize o seguinte código para iniciar o treino:

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 obter informações detalhadas sobre a formatação do conjunto de dados e opções adicionais, consulte o nosso guia Sugestões para o treino de modelos.

Que indicadores de desempenho devo utilizar para avaliar o meu modelo YOLO ?

A avaliação do desempenho do modelo YOLO é crucial para compreender a sua eficácia. As principais métricas incluem a precisão média (mAP), a intersecção sobre a união (IoU) e a pontuação F1. Estas métricas ajudam a avaliar a exatidão e a precisão das tarefas de deteção de objectos. Pode saber mais sobre estas métricas e como melhorar o seu modelo no nosso guia YOLO Performance Metrics.

Por que razão devo utilizar o Ultralytics HUB para os meus projectos de visão computacional?

Ultralytics O HUB é uma plataforma sem código que simplifica a gestão, a formação e a implementação de modelos YOLO . Suporta integração perfeita, rastreamento em tempo real e treinamento em nuvem, tornando-o ideal para iniciantes e profissionais. Saiba mais sobre as suas funcionalidades e como pode otimizar o seu fluxo de trabalho com o nosso guia de início rápido do Ultralytics HUB.

Quais são os problemas mais comuns encontrados durante a formação do modelo YOLO e como os posso resolver?

Os problemas comuns durante a formação do modelo YOLO incluem erros de formatação de dados, incompatibilidades de arquitetura do modelo e dados de formação insuficientes. Para resolver estes problemas, certifique-se de que o seu conjunto de dados está corretamente formatado, verifique se existem versões de modelos compatíveis e aumente os seus dados de treino. Para obter uma lista abrangente de soluções, consulte o nosso guia YOLO Common Issues.

Como posso implementar o meu modelo YOLO para deteção de objectos em tempo real em dispositivos periféricos?

A implementação de modelos YOLO em dispositivos de ponta como NVIDIA Jetson e Raspberry Pi requer a conversão do modelo para um formato compatível, como TensorRT ou TFLite. Siga os nossos guias passo a passo para NVIDIA implementações Jetson e Raspberry Pi para começar a utilizar a deteção de objectos em tempo real em hardware de ponta. Estes guias irão guiá-lo através da instalação, configuração e otimização do desempenho.

📅C riado há 1 ano ✏️ Atualizado há 1 mês

Comentários