Referência para ultralytics/engine/model.py
Nota
Este ficheiro está disponível em https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/engine/model .py. Se detectares um problema, por favor ajuda a corrigi-lo contribuindo com um Pull Request 🛠️. Obrigado 🙏!
ultralytics.engine.model.Model
Bases: Module
Uma classe de base para implementar modelos YOLO , unificando APIs em diferentes tipos de modelos.
Esta classe fornece uma interface comum para várias operações relacionadas com os modelos YOLO , tais como formação, validação, previsão, exportação e avaliação comparativa. Lida com diferentes tipos de modelos, incluindo aqueles carregados a partir de ficheiros locais, Ultralytics HUB, ou Triton Server. A classe foi projetada para ser flexível e e extensível para diferentes tarefas e configurações de modelos.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
model |
Union[str, Path]
|
Caminho ou nome do modelo a carregar ou criar. Pode ser um caminho de ficheiro local local, um nome de modelo do Ultralytics HUB, ou um modelo do Triton Server. A predefinição é 'yolov8n.pt'. |
'yolov8n.pt'
|
task |
Any
|
O tipo de tarefa associado ao modelo YOLO . Pode ser utilizado para especificar o domínio de aplicação do modelo domínio de aplicação do modelo, como deteção de objectos, segmentação, etc. Usa o valor padrão Nenhum. |
None
|
verbose |
bool
|
Se Verdadeiro, ativa a saída detalhada durante as operações do modelo. A predefinição é Falso. |
False
|
Atributos:
Nome | Tipo | Descrição |
---|---|---|
callbacks |
dict
|
Um dicionário de funções de retorno de chamada para vários eventos durante as operações do modelo. |
predictor |
BasePredictor
|
O objeto de previsão utilizado para fazer previsões. |
model |
Module
|
O modelo PyTorch subjacente. |
trainer |
BaseTrainer
|
O objeto de treino utilizado para treinar o modelo. |
ckpt |
dict
|
Os dados do ponto de controlo se o modelo for carregado a partir de um ficheiro *.pt. |
cfg |
str
|
A configuração do modelo se for carregada a partir de um ficheiro *.yaml. |
ckpt_path |
str
|
O caminho para o ficheiro do ponto de controlo. |
overrides |
dict
|
Um dicionário de substituições para a configuração do modelo. |
metrics |
dict
|
As últimas métricas de formação/validação. |
session |
HUBTrainingSession
|
A sessão Ultralytics HUB, se aplicável. |
task |
str
|
O tipo de tarefa a que o modelo se destina. |
model_name |
str
|
O nome do modelo. |
Métodos:
Nome | Descrição |
---|---|
__call__ |
Alias para o método de previsão, permitindo que a instância do modelo possa ser chamada. |
_new |
Inicializa um novo modelo com base em um arquivo de configuração. |
_load |
Carrega um modelo de um arquivo de ponto de verificação. |
_check_is_pytorch_model |
Assegura que o modelo é um modelo PyTorch . |
reset_weights |
Repõe os pesos do modelo no seu estado inicial. |
load |
Carrega os pesos do modelo de um arquivo especificado. |
save |
Salva o estado atual do modelo em um arquivo. |
info |
Regista ou devolve informações sobre o modelo. |
fuse |
Funde as camadas Conv2d e BatchNorm2d para uma inferência optimizada. |
predict |
Efectua previsões de deteção de objectos. |
track |
Efectua o seguimento de objectos. |
val |
Valida o modelo em um conjunto de dados. |
benchmark |
Compara o modelo com vários formatos de exportação. |
export |
Exporta o modelo para diferentes formatos. |
train |
Treina o modelo em um conjunto de dados. |
tune |
Efectua a afinação de hiperparâmetros. |
_apply |
Aplica uma função aos tensores do modelo. |
add_callback |
Adiciona uma função de retorno de chamada para um evento. |
clear_callback |
Limpa todas as chamadas de retorno de um evento. |
reset_callbacks |
Repõe todas as chamadas de retorno para as suas funções predefinidas. |
_get_hub_session |
Recupera ou cria uma sessão do HUB Ultralytics . |
is_triton_model |
Verifica se um modelo é um modelo do servidor Triton . |
is_hub_model |
Verifica se um modelo é um modelo Ultralytics HUB. |
_reset_ckpt_args |
Repõe os argumentos do ponto de verificação ao carregar um modelo PyTorch . |
_smart_load |
Carrega o módulo apropriado com base na tarefa modelo. |
task_map |
Fornece um mapeamento das tarefas do modelo para as classes correspondentes. |
Aumenta:
Tipo | Descrição |
---|---|
FileNotFoundError
|
Se o ficheiro modelo especificado não existir ou estiver inacessível. |
ValueError
|
Se o ficheiro de modelo ou a configuração for inválido ou não for suportado. |
ImportError
|
Se as dependências necessárias para tipos de modelos específicos (como o HUB SDK) não estiverem instaladas. |
TypeError
|
Se o modelo não for um modelo PyTorch quando necessário. |
AttributeError
|
Se os atributos ou métodos necessários não estiverem implementados ou disponíveis. |
NotImplementedError
|
Se uma tarefa ou modo de modelo específico não for suportado. |
Código fonte em ultralytics/engine/model.py
28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 |
|
device: torch.device
property
Recupera o dispositivo no qual estão atribuídos os parâmetros do modelo.
Esta propriedade é utilizada para determinar se os parâmetros do modelo estão na CPU ou na GPU. Aplica-se apenas a modelos que são instâncias de nn.Module.
Devolve:
Tipo | Descrição |
---|---|
device | None
|
O dispositivo (CPU/GPU) do modelo se for um modelo PyTorch , caso contrário, Nenhum. |
names: list
property
Recupera os nomes das classes associadas ao modelo carregado.
Esta propriedade devolve os nomes das classes se estas estiverem definidas no modelo. Verifica a validade dos nomes das classes utilizando a função 'check_class_names' do módulo ultralytics.nn.autobackend.
Devolve:
Tipo | Descrição |
---|---|
list | None
|
Os nomes das classes do modelo, se estiverem disponíveis; caso contrário, None. |
task_map: dict
property
Mapeia a cabeça para as classes de modelo, instrutor, validador e preditor.
Devolve:
Nome | Tipo | Descrição |
---|---|---|
task_map |
dict
|
O mapa da tarefa modelo para as classes de modo. |
transforms
property
Recupera as transformações aplicadas aos dados de entrada do modelo carregado.
Esta propriedade devolve as transformações se estas estiverem definidas no modelo.
Devolve:
Tipo | Descrição |
---|---|
object | None
|
O objeto de transformação do modelo, se disponível; caso contrário, None. |
__call__(source=None, stream=False, **kwargs)
Um alias para o método de previsão, permitindo que a instância do modelo possa ser chamada.
Este método simplifica o processo de fazer previsões, permitindo que a instância do modelo seja chamada diretamente com os argumentos necessários para a previsão.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
source |
str | Path | int | Image | ndarray
|
A fonte da imagem para fazeres previsões. Aceita vários tipos, incluindo caminhos de ficheiros, URLs, imagens PIL e matrizes numpy. Usa como padrão None. |
None
|
stream |
bool
|
Se Verdadeiro, trata a fonte de entrada como um fluxo contínuo para previsões. A predefinição é Falso. |
False
|
**kwargs |
any
|
Argumentos adicionais de palavras-chave para configurar o processo de previsão. |
{}
|
Devolve:
Tipo | Descrição |
---|---|
List[Results]
|
Uma lista de resultados de previsões, encapsulada na classe Resultados. |
Código fonte em ultralytics/engine/model.py
__init__(model='yolov8n.pt', task=None, verbose=False)
Inicializa uma nova instância da classe de modelo YOLO .
Este construtor configura o modelo com base no caminho ou nome do modelo fornecido. Lida com vários tipos de fontes de modelo incluindo arquivos locais, modelos Ultralytics HUB e modelos Triton Server. O método inicializa vários atributos importantes do modelo e prepara-o para operações como treinamento, previsão ou exportação.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
model |
Union[str, Path]
|
O caminho ou ficheiro de modelo a carregar ou criar. Pode ser um caminho de ficheiro local local, um nome de modelo do Ultralytics HUB, ou um modelo do Triton Server. A predefinição é 'yolov8n.pt'. |
'yolov8n.pt'
|
task |
Any
|
O tipo de tarefa associado ao modelo YOLO , especificando o seu domínio de aplicação. A predefinição é Nenhum. |
None
|
verbose |
bool
|
Se True, ativa a saída detalhada durante a inicialização do modelo e as operações subsequentes. operações subsequentes. O padrão é Falso. |
False
|
Aumenta:
Tipo | Descrição |
---|---|
FileNotFoundError
|
Se o ficheiro modelo especificado não existir ou estiver inacessível. |
ValueError
|
Se o ficheiro de modelo ou a configuração for inválido ou não for suportado. |
ImportError
|
Se as dependências necessárias para tipos de modelos específicos (como o HUB SDK) não estiverem instaladas. |
Código fonte em ultralytics/engine/model.py
add_callback(event, func)
Adiciona uma função de retorno de chamada para um evento especificado.
Este método permite ao utilizador registar uma função de retorno de chamada personalizada que é accionada num evento específico durante o treinamento ou inferência do modelo.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
event |
str
|
O nome do evento ao qual anexa a chamada de retorno. |
necessário |
func |
callable
|
A função de retorno de chamada a registar. |
necessário |
Aumenta:
Tipo | Descrição |
---|---|
ValueError
|
Se o nome do evento não for reconhecido. |
Código fonte em ultralytics/engine/model.py
benchmark(**kwargs)
Compara o modelo com vários formatos de exportação para avaliar o desempenho.
Este método avalia o desempenho do modelo em diferentes formatos de exportação, tais como ONNX, TorchScript, etc. Utiliza a função 'benchmark' do módulo ultralytics.utils.benchmarks. A avaliação comparativa é configurada usa uma combinação de valores de configuração padrão, argumentos específicos do modelo, padrões específicos do método e quaisquer argumentos adicionais de palavras-chave fornecidos pelo utilizador.
O método suporta vários argumentos que permitem a personalização do processo de avaliação comparativa, como a escolha do conjunto de dados escolha do conjunto de dados, tamanho da imagem, modos de precisão, seleção de dispositivo e verbosidade. Para obter uma lista completa de todas as opções configuráveis, os utilizadores devem consultar a secção 'configuration' na documentação.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
**kwargs |
any
|
Argumentos arbitrários de palavras-chave para personalizar o processo de avaliação comparativa. Estes são combinados com configurações predefinidas, argumentos específicos do modelo e predefinições do método. |
{}
|
Devolve:
Tipo | Descrição |
---|---|
dict
|
Um dicionário que contém os resultados do processo de aferição. |
Aumenta:
Tipo | Descrição |
---|---|
AssertionError
|
Se o modelo não for um modelo PyTorch . |
Código fonte em ultralytics/engine/model.py
clear_callback(event)
Limpa todas as funções de retorno de chamada registadas para um evento especificado.
Este método remove todas as funções de retorno de chamada personalizadas e predefinidas associadas ao evento em causa.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
event |
str
|
O nome do evento para o qual limpa as chamadas de retorno. |
necessário |
Aumenta:
Tipo | Descrição |
---|---|
ValueError
|
Se o nome do evento não for reconhecido. |
Código fonte em ultralytics/engine/model.py
embed(source=None, stream=False, **kwargs)
Gera embeddings de imagem com base na fonte fornecida.
Este método é um invólucro em torno do método 'predict()', centrando-se na geração de embeddings a partir de uma fonte de imagem. Permite a personalização do processo de incorporação através de vários argumentos de palavras-chave.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
source |
str | int | Image | ndarray
|
A fonte da imagem para gerar embeddings. A fonte pode ser um caminho de ficheiro, URL, imagem PIL, matriz numpy, etc. A predefinição é Nenhum. |
None
|
stream |
bool
|
Se for Verdadeiro, as previsões são transmitidas. A predefinição é Falso. |
False
|
**kwargs |
any
|
Argumentos adicionais de palavras-chave para configurar o processo de incorporação. |
{}
|
Devolve:
Tipo | Descrição |
---|---|
List[Tensor]
|
Uma lista que contém as imagens incorporadas. |
Aumenta:
Tipo | Descrição |
---|---|
AssertionError
|
Se o modelo não for um modelo PyTorch . |
Código fonte em ultralytics/engine/model.py
export(**kwargs)
Exporta o modelo para um formato diferente, adequado para a implantação.
Este método facilita a exportação do modelo para vários formatos (por exemplo, ONNX, TorchScript) para para fins de implantação. Usa a classe 'Exportador' para o processo de exportação, combinando substituições específicas do modelo, padrões de método e quaisquer argumentos adicionais fornecidos. e quaisquer argumentos adicionais fornecidos. Os argumentos combinados são usados para configurar as definições de exportação.
O método suporta uma vasta gama de argumentos para personalizar o processo de exportação. Para obter uma lista completa de todos os argumentos possíveis, consulta a secção 'configuration' na documentação.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
**kwargs |
any
|
Argumentos arbitrários de palavras-chave para personalizar o processo de exportação. Estes são combinados com as substituições do do modelo e os padrões do método. |
{}
|
Devolve:
Tipo | Descrição |
---|---|
str
|
O nome do ficheiro do modelo exportado no formato especificado, ou um objeto relacionado com o processo de exportação. |
Aumenta:
Tipo | Descrição |
---|---|
AssertionError
|
Se o modelo não for um modelo PyTorch . |
Código fonte em ultralytics/engine/model.py
fuse()
Funde as camadas Conv2d e BatchNorm2d no modelo.
Este método optimiza o modelo através da fusão das camadas Conv2d e BatchNorm2d, o que pode melhorar a velocidade de inferência.
Aumenta:
Tipo | Descrição |
---|---|
AssertionError
|
Se o modelo não for um modelo PyTorch . |
Código fonte em ultralytics/engine/model.py
info(detailed=False, verbose=True)
Regista ou devolve informações sobre o modelo.
Este método fornece uma visão geral ou informações detalhadas sobre o modelo, dependendo dos argumentos passados. Pode controlar a verbosidade da saída.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
detailed |
bool
|
Se for Verdadeiro, mostra informações detalhadas sobre o modelo. A predefinição é Falso. |
False
|
verbose |
bool
|
Se for Verdadeiro, imprime a informação. Se False, devolve a informação. A predefinição é True. |
True
|
Devolve:
Tipo | Descrição |
---|---|
list
|
Vários tipos de informação sobre o modelo, dependendo dos parâmetros "detailed" e "verbose". |
Aumenta:
Tipo | Descrição |
---|---|
AssertionError
|
Se o modelo não for um modelo PyTorch . |
Código fonte em ultralytics/engine/model.py
is_hub_model(model)
staticmethod
Verifica se o modelo fornecido é um modelo HUB.
Código fonte em ultralytics/engine/model.py
is_triton_model(model)
staticmethod
O modelo é uma cadeia de URL do servidor Triton , ou seja
Código fonte em ultralytics/engine/model.py
load(weights='yolov8n.pt')
Carrega os parâmetros do arquivo de pesos especificado no modelo.
Este método suporta o carregamento de pesos a partir de um ficheiro ou diretamente a partir de um objeto de pesos. Faz a correspondência dos parâmetros por nome e forma e transfere-os para o modelo.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
weights |
str | Path
|
Caminho para o ficheiro de pesos ou para um objeto de pesos. A predefinição é 'yolov8n.pt'. |
'yolov8n.pt'
|
Devolve:
Nome | Tipo | Descrição |
---|---|---|
self |
Model
|
A instância da classe com pesos carregados. |
Aumenta:
Tipo | Descrição |
---|---|
AssertionError
|
Se o modelo não for um modelo PyTorch . |
Código fonte em ultralytics/engine/model.py
predict(source=None, stream=False, predictor=None, **kwargs)
Efectua previsões na fonte de imagem fornecida utilizando o modelo YOLO .
Este método facilita o processo de previsão, permitindo várias configurações através de argumentos de palavras-chave. Suporta previsões com preditores personalizados ou com o método preditor predefinido. O método lida com diferentes O método lida com diferentes tipos de fontes de imagem e pode funcionar em modo de fluxo contínuo. Também fornece suporte para SAM-type models através de 'prompts'.
O método configura um novo preditor se ainda não estiver presente e actualiza os seus argumentos em cada chamada. Também emite um aviso e utiliza activos por defeito se a 'fonte' não for fornecida. O método determina se está a ser chamado a partir da interface de linha de comandos e ajusta o seu comportamento em conformidade, incluindo a definição de predefinições para o limiar de confiança e comportamento de salvamento.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
source |
str | int | Image | ndarray
|
A fonte da imagem para fazer previsões. Aceita vários tipos, incluindo caminhos de ficheiros, URLs, imagens PIL e matrizes numpy. Usa como padrão ASSETS. |
None
|
stream |
bool
|
Trata a fonte de entrada como um fluxo contínuo para previsões. O valor predefinido é Falso. |
False
|
predictor |
BasePredictor
|
Uma instância de uma classe de previsão personalizada para fazer previsões. Se for None, o método utiliza um preditor predefinido. Usa o valor padrão None. |
None
|
**kwargs |
any
|
Argumentos adicionais de palavras-chave para configurar o processo de previsão. Estes argumentos permitem para personalizar ainda mais o comportamento da previsão. |
{}
|
Devolve:
Tipo | Descrição |
---|---|
List[Results]
|
Uma lista de resultados de previsões, encapsulada na classe Resultados. |
Aumenta:
Tipo | Descrição |
---|---|
AttributeError
|
Se o preditor não estiver corretamente configurado. |
Código fonte em ultralytics/engine/model.py
reset_callbacks()
Repõe todas as chamadas de retorno para as suas funções predefinidas.
Este método restabelece as funções de retorno de chamada padrão para todos os eventos, removendo quaisquer retornos de chamada personalizados que foram adicionadas anteriormente.
Código fonte em ultralytics/engine/model.py
reset_weights()
Redefine os parâmetros do modelo para valores inicializados aleatoriamente, descartando efetivamente todas as informações de treinamento.
Este método percorre todos os módulos do modelo e repõe os seus parâmetros se tiverem um método 'reset_parameters'. Assegura também que todos os parâmetros têm 'requires_grad' definido como True, permitindo-lhes sejam actualizados durante o treino.
Devolve:
Nome | Tipo | Descrição |
---|---|---|
self |
Model
|
A instância da classe com pesos repostos. |
Aumenta:
Tipo | Descrição |
---|---|
AssertionError
|
Se o modelo não for um modelo PyTorch . |
Código fonte em ultralytics/engine/model.py
save(filename='saved_model.pt', use_dill=True)
Salva o estado atual do modelo em um arquivo.
Este método exporta o ponto de controlo do modelo (ckpt) para o nome de ficheiro especificado.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
filename |
str | Path
|
O nome do ficheiro para onde guardar o modelo. A predefinição é 'saved_model.pt'. |
'saved_model.pt'
|
use_dill |
bool
|
Tenta usar o dill para serialização, se disponível. Usa o valor padrão True. |
True
|
Aumenta:
Tipo | Descrição |
---|---|
AssertionError
|
Se o modelo não for um modelo PyTorch . |
Código fonte em ultralytics/engine/model.py
track(source=None, stream=False, persist=False, **kwargs)
Realiza o rastreamento de objetos na fonte de entrada especificada usando os rastreadores registrados.
Este método executa o rastreio de objectos utilizando os preditores do modelo e, opcionalmente, os rastreadores registados. É É capaz de lidar com diferentes tipos de fontes de entrada, como caminhos de ficheiros ou fluxos de vídeo. O método suporta a O método suporta a personalização do processo de rastreamento através de vários argumentos de palavras-chave. Regista os localizadores se não estiverem regista os localizadores se ainda não estiverem presentes e, opcionalmente, persiste-os com base no sinalizador 'persist'.
O método define um limiar de confiança predefinido especificamente para o rastreio baseado no ByteTrack, que requer previsões de baixa confiança baixa como entrada. O modo de seguimento é definido explicitamente nos argumentos da palavra-chave.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
source |
str
|
A fonte de entrada para o rastreio de objectos. Pode ser um caminho de ficheiro, URL ou fluxo de vídeo. |
None
|
stream |
bool
|
Trata a fonte de entrada como um fluxo de vídeo contínuo. O valor predefinido é Falso. |
False
|
persist |
bool
|
Persiste os localizadores entre diferentes chamadas a este método. Usa o valor False por defeito. |
False
|
**kwargs |
any
|
Argumentos adicionais de palavras-chave para configurar o processo de rastreio. Estes argumentos permitem para personalizar ainda mais o comportamento de rastreamento. |
{}
|
Devolve:
Tipo | Descrição |
---|---|
List[Results]
|
Uma lista de resultados de rastreio, encapsulada na classe Results. |
Aumenta:
Tipo | Descrição |
---|---|
AttributeError
|
Se o preditor não tiver localizadores registados. |
Código fonte em ultralytics/engine/model.py
train(trainer=None, **kwargs)
Treina o modelo usando o conjunto de dados e a configuração de treinamento especificados.
Este método facilita a formação de modelos com uma gama de definições e configurações personalizáveis. Suporta suporta a formação com um formador personalizado ou a abordagem de formação predefinida definida no método. O método lida com diferentes cenários, como retomar o treinamento a partir de um ponto de verificação, integrando com Ultralytics HUB e actualiza o modelo e a configuração após o treino.
Ao utilizar o Ultralytics HUB, se a sessão já tiver um modelo carregado, o método dá prioridade à formação do HUB e emite um aviso se forem fornecidos argumentos locais. Verifica se há atualizações do pip e combina configurações padrão configurações padrão, padrões específicos do método e argumentos fornecidos pelo usuário para configurar o processo de treinamento. Após o treinamento, atualiza o modelo e suas configurações e, opcionalmente, anexa métricas.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
trainer |
BaseTrainer
|
Uma instância de uma classe de formador personalizada para treinar o modelo. Se for None, o método usa um treinador padrão. Usa o padrão None. |
None
|
**kwargs |
any
|
Argumentos arbitrários de palavras-chave que representam a configuração de treino. Estes argumentos são utilizados para personalizar vários aspectos do processo de formação. |
{}
|
Devolve:
Tipo | Descrição |
---|---|
dict | None
|
Métricas de formação se estiverem disponíveis e a formação for bem sucedida; caso contrário, Nenhum. |
Aumenta:
Tipo | Descrição |
---|---|
AssertionError
|
Se o modelo não for um modelo PyTorch . |
PermissionError
|
Se houver um problema de permissão com a sessão do HUB. |
ModuleNotFoundError
|
Se o HUB SDK não estiver instalado. |
Código fonte em ultralytics/engine/model.py
604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 |
|
tune(use_ray=False, iterations=10, *args, **kwargs)
Realiza o ajuste de hiperparâmetros para o modelo, com uma opção para usar o Ray Tune.
Este método suporta dois modos de afinação de hiperparâmetros: utilizando o Ray Tune ou um método de afinação personalizado. Quando o Ray Tune está ativado, utiliza a função 'run_ray_tune' do módulo ultralytics.utils.tuner. Caso contrário, usa a classe interna 'Tuner' para sintonizar. O método combina argumentos padrão, substituídos e argumentos personalizados para configurar o processo de ajuste.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
use_ray |
bool
|
Se for Verdadeiro, utiliza o Ray Tune para a afinação de hiperparâmetros. A predefinição é Falso. |
False
|
iterations |
int
|
O número de iterações de afinação a efetuar. O valor predefinido é 10. |
10
|
*args |
list
|
Lista de argumentos de comprimento variável para argumentos adicionais. |
()
|
**kwargs |
any
|
Argumentos arbitrários de palavras-chave. Estes são combinados com as substituições e predefinições do modelo. |
{}
|
Devolve:
Tipo | Descrição |
---|---|
dict
|
Um dicionário que contém os resultados da pesquisa de hiperparâmetros. |
Aumenta:
Tipo | Descrição |
---|---|
AssertionError
|
Se o modelo não for um modelo PyTorch . |
Código fonte em ultralytics/engine/model.py
val(validator=None, **kwargs)
Valida o modelo utilizando um conjunto de dados e uma configuração de validação especificados.
Este método facilita o processo de validação do modelo, permitindo uma gama de personalização através de várias definições e configurações. Suporta a validação com um validador personalizado ou a abordagem de validação padrão. O método combina configurações padrão, padrões específicos do método e argumentos fornecidos pelo usuário para configurar o processo de validação. Após a validação, atualiza as métricas do modelo com os resultados obtidos do validador.
O método suporta vários argumentos que permitem a personalização do processo de validação. Para uma lista completa lista completa de todas as opções configuráveis, os utilizadores devem consultar a secção 'configuration' na documentação.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
validator |
BaseValidator
|
Uma instância de uma classe de validação personalizada para validar o modelo. Se não tiveres None, o método utiliza um validador predefinido. Usa como padrão None. |
None
|
**kwargs |
any
|
Argumentos arbitrários de palavras-chave que representam a configuração de validação. Esses argumentos são usados para personalizar vários aspectos do processo de validação. |
{}
|
Devolve:
Tipo | Descrição |
---|---|
dict
|
Métricas de validação obtidas a partir do processo de validação. |
Aumenta:
Tipo | Descrição |
---|---|
AssertionError
|
Se o modelo não for um modelo PyTorch . |