Tutoriais abrangentes para Ultralytics YOLO

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

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

Observa: Ultralytics YOLOv8 Visão geral dos guias

Guias

Aqui está uma compilação de guias detalhados para te 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 trabalhas com os modelos Ultralytics YOLO .
• YOLO Métricas de desempenho ⭐ ESSENCIAL: Compreende as principais métricas, como mAP, IoU e pontuação F1, utilizadas para avaliar o desempenho dos teus modelos de 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 de implantação 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: Aprende a melhorar a generalização do modelo usando a técnica de validação cruzada K-Fold.
• Afinação de hiper parâmetros 🚀 NOVO: Descobre como otimizar os teus modelos YOLO através da afinação 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 YOLOv8 para deteção de objectos em imagens de alta resolução.
• Início Rápido do AzureML 🚀 NOVO: Começa a trabalhar com os modelos Ultralytics YOLO na plataforma de Aprendizagem Automática do Azure do Microsoft. Aprende a treinar, implementar e escalar os teus projetos de deteção de objetos na cloud.
• Conda Quickstart 🚀 NOVO: Guia passo-a-passo para configurar um ambiente Conda para Ultralytics. Aprende 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. Aprende a instalar o Docker, a gerir o suporte GPU e a executar modelos YOLO em contentores isolados para um desenvolvimento e implementação consistentes.
• Raspberry Pi 🚀 NOVO: Tutorial de início rápido para executares os modelos YOLO para o 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: Mergulha na integração de Ultralytics YOLOv8 com o Servidor de Inferência Triton da NVIDIA para implementações de inferência de aprendizagem profunda escaláveis e eficientes.
• YOLO Inferência segura para thre ads 🚀 NOVO: Diretrizes para realizar inferência com modelos YOLO de forma segura para threads. Aprende a importância da segurança de thread e as melhores práticas 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 Edge TPU acelera a inferência YOLO no Raspberry Pi.
• Visualiza imagens de inferência num terminal: Utiliza o terminal integrado do VSCode para ver os resultados da inferência quando utilizas o Túnel Remoto ou sessões SSH.
• OpenVINO Modos de latência vs. taxa de transferência - Aprende técnicas de otimização da latência e da taxa de transferência para obteres o máximo desempenho de inferência em YOLO .
• Etapas de um Projeto de Visão por Computador 🚀 NOVO: Aprende sobre as principais etapas envolvidas num projeto de visão por computador, incluindo a definição de objectivos, a seleção de modelos, a preparação de dados e a avaliação de resultados.
• Definindo os objetivos de um projeto de visão computacional 🚀 NOVO: Explica como definir efetivamente objetivos claros e mensuráveis para seu projeto de visão computacional. Aprende a importância de uma declaração de problema bem definida e como ela cria um roteiro para seu projeto.
• Recolha e Anotação de Dados 🚀 NOVO: Explora as ferramentas, técnicas e melhores práticas para recolher e anotar dados para criar entradas de alta qualidade para os teus modelos de visão computacional.
• Pré-processamento de dados anotados 🚀 NOVO: Aprende sobre o pré-processamento e aumento de dados de imagem em projectos de visão computacional utilizando YOLOv8, incluindo normalização, aumento do conjunto de dados, divisão e análise exploratória de dados (EDA).
• Dicas para treinamento de modelos 🚀 NOVO: Explora 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 aperfeiçoamento de modelos 🚀 NOVO: Obtém insights sobre as estratégias e melhores práticas para avaliar e aperfeiçoar os teus modelos de visão computacional. Aprende sobre o processo iterativo de refinar modelos para alcançar resultados ideais.
• Um Guia de Teste de Modelos 🚀 NOVO: Um guia completo sobre como testar os teus modelos de visão por computador em cenários realistas. Aprende a verificar a precisão, fiabilidade e desempenho de acordo com os objectivos do projeto.
• Práticas recomendadas para implantação de modelos 🚀 NOVO: Percorre dicas e práticas recomendadas para implantar modelos de forma eficiente em projetos de visão computacional, com foco na otimização, solução de problemas e segurança.
• Manutenção do teu modelo de visão comput acional 🚀 NOVO: Compreende as principais práticas de monitorização, manutenção e documentação de modelos de visão computacional para garantir a precisão, detetar anomalias e mitigar o desvio de dados.
• ROS Quickstart 🚀 NOVO: Aprende a integrar o YOLO com o Sistema Operativo de Robôs (ROS) para a deteção de objectos em tempo real em aplicações de robótica, incluindo imagens Point Cloud e Depth.

Contribui para os nossos guias

Agradecemos as contribuições da comunidade! Se dominaste um aspeto particular de Ultralytics YOLO que ainda não foi abordado nos nossos guias, encorajamos-te a partilhar a tua experiência. Escrever um guia é uma ótima maneira de retribuir à comunidade e nos ajudar a tornar nossa documentação mais abrangente e fácil de usar.

Para começar, lê o nosso Guia de Contribuição para obteres orientações sobre como abrir um Pull Request (PR) 🛠️. Esperamos ansiosamente pelas tuas 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. Começa por preparar o teu conjunto de dados no formato correto e instala o pacote Ultralytics . Utiliza o seguinte código para iniciar o treino:

from ultralytics import YOLO

model = YOLO("yolov8s.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=yolov8s.pt data=path/to/dataset.yaml epochs=50

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

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

Avaliar o desempenho do teu 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. Podes saber mais sobre estas métricas e como melhorar o teu 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 dos modelos YOLO . Suporta integração perfeita, rastreamento em tempo real e treinamento em nuvem, tornando-o ideal tanto para iniciantes quanto para profissionais. Descobre mais sobre as suas funcionalidades e como pode simplificar o teu fluxo de trabalho com o nosso guia de início rápido do Ultralytics HUB.

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

Problemas comuns durante o treinamento do modelo YOLO incluem erros de formatação de dados, incompatibilidades de arquitetura de modelo e dados de treinamento insuficientes. Para resolver estes problemas, certifica-te de que o teu conjunto de dados está corretamente formatado, verifica se existem versões de modelos compatíveis e aumenta os teus dados de treino. Para obter uma lista abrangente de soluções, consulta o nosso guia YOLO Common Issues.

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

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. Segue os nossos guias passo a passo para NVIDIA implementações Jetson e Raspberry Pi para começares a utilizar a deteção de objectos em tempo real em hardware de ponta. Estes guias irão guiar-te através da instalação, configuração e otimização do desempenho.

Comentários