Ultralytics YOLO11 Modos

Introdução

Ultralytics YOLO11 não é apenas mais um modelo de deteção de objectos; é uma estrutura versátil concebida para abranger todo o ciclo de vida dos modelos de aprendizagem automática - desde a ingestão de dados e a formação de modelos até à validação, implementação e acompanhamento no mundo real. Cada modo serve um objetivo específico e foi concebido para lhe oferecer a flexibilidade e a eficiência necessárias para diferentes tarefas e casos de utilização.

Ver: Ultralytics Tutorial de modos: Treinar, validar, prever, exportar e avaliar.

Modos num relance

Compreender os diferentes modos suportados pelo Ultralytics YOLO11 é fundamental para tirar o máximo partido dos seus modelos:

• Modo de treino: Afine o seu modelo em conjuntos de dados personalizados ou pré-carregados.
• Modo Val: Um ponto de controlo pós-formação para validar o desempenho do modelo.
• Modo de previsão: Liberte o poder de previsão do seu modelo em dados do mundo real.
• Modo de exportação: Torne o seu modelo pronto a ser implementado em vários formatos.
• Modo de rastreio: Amplie o seu modelo de deteção de objectos para aplicações de seguimento em tempo real.
• Modo de referência: Analise a velocidade e a precisão do seu modelo em diversos ambientes de implementação.

Este guia completo tem como objetivo dar-lhe uma visão geral e conhecimentos práticos sobre cada modo, ajudando-o a aproveitar todo o potencial de YOLO11.

Comboio

O modo Train é utilizado para treinar um modelo YOLO11 num conjunto de dados personalizado. Neste modo, o modelo é treinado utilizando o conjunto de dados e os hiperparâmetros especificados. O processo de treino envolve a otimização dos parâmetros do modelo para que este possa prever com precisão as classes e localizações dos objectos numa imagem. A formação é essencial para criar modelos que possam reconhecer objectos específicos relevantes para a sua aplicação.

Exemplos de comboios

Val

O modo Val é utilizado para validar um modelo YOLO11 depois de este ter sido treinado. Neste modo, o modelo é avaliado num conjunto de validação para medir a sua precisão e desempenho de generalização. A validação ajuda a identificar possíveis problemas como sobreajuste e fornece métricas como a precisão média (mAP) para quantificar o desempenho do modelo. Este modo é crucial para ajustar os hiperparâmetros e melhorar a eficácia geral do modelo.

Exemplos Val

Prever

O modo Prever é utilizado para efetuar previsões utilizando um modelo YOLO11 treinado em novas imagens ou vídeos. Neste modo, o modelo é carregado a partir de um ficheiro de ponto de verificação e o utilizador pode fornecer imagens ou vídeos para realizar a inferência. O modelo identifica e localiza objectos nos meios de entrada, tornando-o pronto para aplicações do mundo real. O modo de previsão é a porta de entrada para aplicar o modelo treinado para resolver problemas práticos.

Prever exemplos

Exportação

O modo de exportação é usado para converter um modelo YOLO11 em formatos adequados para implantação em diferentes plataformas e dispositivos. Este modo transforma o seu modelo PyTorch em formatos optimizados como ONNX, TensorRT ou CoreML, permitindo a implementação em ambientes de produção. A exportação é essencial para integrar o seu modelo com várias aplicações de software ou dispositivos de hardware, resultando frequentemente em melhorias significativas de desempenho.

Exemplos de exportação

Pista

O modo de rastreio alarga as capacidades de deteção de objectos do YOLO11 para rastrear objectos através de fotogramas de vídeo ou transmissões em direto. Este modo é particularmente valioso para aplicações que requerem uma identificação persistente de objectos, como sistemas de vigilância ou carros autónomos. O modo Track implementa algoritmos sofisticados, como o ByteTrack, para manter a identidade dos objectos ao longo dos fotogramas, mesmo quando os objectos desaparecem temporariamente da vista.

Exemplos de faixas

Referência

O modo Benchmark traça o perfil da velocidade e da precisão de vários formatos de exportação para o YOLO11. Este modo fornece métricas abrangentes sobre o tamanho do modelo, a precisão (mAP50-95 para tarefas de deteção ou accuracy_top5 para classificação) e o tempo de inferência em diferentes formatos como o ONNX, OpenVINOe TensorRT. O benchmarking ajuda-o a selecionar o formato de exportação ideal com base nos seus requisitos específicos de velocidade e precisão no seu ambiente de implementação.

Exemplos de referência

FAQ

Como posso treinar um modelo de deteção de objectos personalizado com Ultralytics YOLO11 ?

O treino de um modelo de deteção de objectos personalizado com Ultralytics YOLO11 envolve a utilização do modo de treino. É necessário um conjunto de dados formatado em YOLO , contendo imagens e ficheiros de anotação correspondentes. Utilize o seguinte comando para iniciar o processo de treino:

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

# Train a YOLO model from the command line
yolo train data=path/to/dataset.yaml epochs=100 imgsz=640

Para obter instruções mais pormenorizadas, pode consultar o Ultralytics Train Guide.

Quais são as métricas utilizadas pelo Ultralytics YOLO11 para validar o desempenho do modelo?

Ultralytics YOLO11 utiliza várias métricas durante o processo de validação para avaliar o desempenho do modelo. Estes incluem:

• mAP (precisão média média): Avalia a precisão da deteção de objectos.
• IOU (Intersecção sobre União): Mede a sobreposição entre as caixas delimitadoras previstas e as da verdade terrestre.
• Precisão e Recuperação: A precisão mede o rácio entre as detecções positivas verdadeiras e o total de positivos detectados, enquanto a recuperação mede o rácio entre as detecções positivas verdadeiras e o total de positivos reais.

Pode executar o seguinte comando para iniciar a validação:

from ultralytics import YOLO

# Load a pre-trained or custom YOLO model
model = YOLO("yolo11n.pt")

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

# Validate a YOLO model from the command line
yolo val data=path/to/validation.yaml

Para mais pormenores, consulte o Guia de Validação.

Como é que posso exportar o meu modelo YOLO11 para implementação?

Ultralytics YOLO11 oferece a funcionalidade de exportação para converter o modelo treinado em vários formatos de implantação, como ONNX, TensorRT, CoreML, entre outros. Use o exemplo a seguir para exportar seu modelo:

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")

# Export a YOLO model to ONNX format from the command line
yolo export model=yolo11n.pt format=onnx

Os passos pormenorizados para cada formato de exportação podem ser encontrados no Guia de Exportação.

Qual é o objetivo do modo de referência em Ultralytics YOLO11 ?

O modo de referência em Ultralytics YOLO11 é utilizado para analisar a velocidade e a exatidão de vários formatos de exportação, como ONNX, TensorRT e OpenVINO. Fornece métricas como o tamanho do modelo, mAP50-95 para deteção de objectos e tempo de inferência em diferentes configurações de hardware, ajudando-o a escolher o formato mais adequado às suas necessidades de implementação.

from ultralytics.utils.benchmarks import benchmark

# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

# Benchmark a YOLO model from the command line
# Adjust parameters as needed for your specific use case
yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0

Para mais pormenores, consulte o Guia de referência.

Como posso efetuar o seguimento de objectos em tempo real utilizando Ultralytics YOLO11 ?

O seguimento de objectos em tempo real pode ser conseguido utilizando o modo de seguimento em Ultralytics YOLO11 . Este modo amplia os recursos de deteção de objetos para rastrear objetos em quadros de vídeo ou transmissões ao vivo. Use o exemplo a seguir para ativar o rastreamento:

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4

Para obter instruções pormenorizadas, visite o Track Guide.

📅C riado há 1 ano ✏️ Atualizado há 6 dias

Comentários