Ultralytics YOLOv8 Modos
Introdução
Ultralytics YOLOv8 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 te oferecer a flexibilidade e a eficiência necessárias para diferentes tarefas e casos de utilização.
Observa: Ultralytics Tutorial de modos: Treina, valida, prevê, exporta e faz benchmark.
Modos num relance
Compreender os diferentes modos suportados pelo Ultralytics YOLOv8 é fundamental para tirar o máximo partido dos teus modelos:
- Modo de treino: Afina o teu 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: Liberta o poder de previsão do teu modelo em dados do mundo real.
- Modo de exportação: Torna o teu modelo pronto a ser implementado em vários formatos.
- Modo de rastreamento: Amplia o teu modelo de deteção de objectos para aplicações de seguimento em tempo real.
- Modo de referência: Analisa a velocidade e a precisão do teu modelo em diversos ambientes de implementação.
Este guia completo pretende dar-te uma visão geral e prática de cada modo, ajudando-te a aproveitar todo o potencial de YOLOv8.
Comboio
O modo Train é utilizado para treinar um modelo YOLOv8 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.
Val
O modo Val é utilizado para validar um modelo YOLOv8 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. Este modo pode ser utilizado para ajustar os hiperparâmetros do modelo para melhorar o seu desempenho.
Prevê
O modo Prever é utilizado para efetuar previsões utilizando um modelo YOLOv8 treinado em novas imagens ou vídeos. Neste modo, o modelo é carregado a partir de um ficheiro de ponto de controlo e o utilizador pode fornecer imagens ou vídeos para realizar a inferência. O modelo prevê as classes e localizações dos objectos nas imagens ou vídeos de entrada.
Exportação
O modo de exportação é utilizado para exportar um modelo YOLOv8 para um formato que possa ser utilizado para a implantação. Neste modo, o modelo é convertido para um formato que pode ser utilizado por outras aplicações de software ou dispositivos de hardware. Este modo é útil quando implementa o modelo em ambientes de produção.
Acompanha
O modo de rastreamento é usado para rastrear objetos em tempo real usando um modelo YOLOv8 . Neste modo, o modelo é carregado a partir de um ficheiro de ponto de controlo e o utilizador pode fornecer um fluxo de vídeo em direto para efetuar o seguimento de objectos em tempo real. Este modo é útil para aplicações como sistemas de vigilância ou carros autónomos.
Referência
O modo de referência é utilizado para determinar a velocidade e a precisão de vários formatos de exportação para YOLOv8. Os parâmetros de referência fornecem informações sobre o tamanho do formato exportado, a sua mAP50-95 métricas (para deteção de objectos, segmentação e pose) ou accuracy_top5 (para classificação), e o tempo de inferência em milissegundos por imagem em vários formatos de exportação como ONNX, OpenVINO, TensorRT e outros. Esta informação pode ajudar os utilizadores a escolher o melhor formato de exportação para o seu caso de utilização específico, com base nos seus requisitos de velocidade e precisão.