Tutoriais abrangentes para Ultralytics YOLO

Q: What performance metrics should I use to evaluate my YOLO model?

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.

Q: What are the common issues faced during YOLO model training, and how can I resolve them?

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.

Welcome to the Ultralytics' YOLO 🚀 Guides! Our comprehensive tutorials cover various aspects of the YOLO object detection model, ranging from training and prediction to deployment. Built on PyTorch, YOLO stands out for its exceptional speed and accuracy in real-time object detection tasks.

Whether you're a beginner or an expert in deep learning, our tutorials offer valuable insights into the implementation and optimization of YOLO for your computer vision projects. Let's dive in!

Observa: Ultralytics YOLO11 Guides Overview

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 Performance Metrics ⭐ ESSENTIAL: Understand the key metrics like mAP, IoU, and F1 score used to evaluate the performance of your YOLO models. Includes practical examples and tips on how to improve detection accuracy and speed.
Model Deployment Options: Overview of YOLO model deployment formats like ONNX, OpenVINO, and TensorRT, with pros and cons for each to inform your deployment strategy.
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 🚀 NEW: Comprehensive guide on leveraging SAHI's sliced inference capabilities with YOLO11 for object detection in high-resolution images.
AzureML Quickstart 🚀 NEW: Get up and running with Ultralytics YOLO models on Microsoft's Azure Machine Learning platform. Learn how to train, deploy, and scale your object detection projects in the 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 Inference Server Integration 🚀 NEW: Dive into the integration of Ultralytics YOLO11 with NVIDIA's Triton Inference Server for scalable and efficient deep learning inference deployments.
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.
Preprocessing Annotated Data 🚀 NEW: Learn about preprocessing and augmenting image data in computer vision projects using YOLO11, including normalization, dataset augmentation, splitting, and exploratory data analysis (EDA).
Tips for Model Training 🚀 NEW: Explore tips on optimizing batch sizes, using mixed precision, applying pre-trained weights, and more to make training your computer vision model a breeze.
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:

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 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 ?

Evaluating your YOLO model performance is crucial to understanding its efficacy. Key metrics include Mean Average Precision (mAP), Intersection over Union (IoU), and F1 score. These metrics help assess the accuracy and precision of object detection tasks. You can learn more about these metrics and how to improve your model in our YOLO Performance Metrics guide.

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?

Common issues during YOLO model training include data formatting errors, model architecture mismatches, and insufficient training data. To address these, ensure your dataset is correctly formatted, check for compatible model versions, and augment your training data. For a comprehensive list of solutions, refer to our YOLO Common Issues guide.

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.

📅 Created 11 months ago ✏️ Updated 20 days ago