Deteção de objectos

A deteção de objectos é uma tarefa que envolve a identificação da localização e da classe dos objectos numa imagem ou fluxo de vídeo.

O resultado de um detetor de objectos é um conjunto de caixas delimitadoras que envolvem os objectos na imagem, juntamente com etiquetas de classe e pontuações de confiança para cada caixa. A deteção de objectos é uma boa escolha quando é necessário identificar objectos de interesse numa cena, mas não é necessário saber exatamente onde se encontra o objeto ou a sua forma exacta.

Ver: Deteção de objectos com modelo Ultralytics YOLO pré-treinado.

Modelos

YOLO11 Os modelos Detect pré-treinados são mostrados aqui. Os modelos Detetar, Segmentar e Pose são pré-treinados no conjunto de dados COCO, enquanto os modelos Classificar são pré-treinados no conjunto de dados ImageNet.

Os modelos são transferidos automaticamente a partir daversão mais recentede Ultralytics na primeira utilização.

• ^mAPval são valores para modelo único e escala única em COCO val2017 conjunto de dados.
  Reproduzir por yolo val detect data=coco.yaml device=0
• Velocidade média das imagens COCO val utilizando um Amazon EC2 P4d instância.
  Reproduzir por yolo val detect data=coco.yaml batch=1 device=0|cpu

Comboio

Treinar YOLO11n no conjunto de dados COCO8 para 100 épocas com o tamanho de imagem 640. Para obter uma lista completa dos argumentos disponíveis, consulte a página Configuração.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

Formato do conjunto de dados

YOLO O formato do conjunto de dados de deteção pode ser consultado em pormenor no Guia do conjunto de dados. Para converter o seu conjunto de dados existente de outros formatos (como COCO, etc.) para o formato YOLO , utilize a ferramenta JSON2YOLO em Ultralytics.

Val

Validar o modelo YOLO11n treinado exatidão no conjunto de dados COCO8. Não são necessários argumentos, uma vez que o model mantém a sua formação data e argumentos como atributos do modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list contains map50-95 of each category

yolo detect val model=yolo11n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

Prever

Utilize um modelo YOLO11n treinado para executar previsões em imagens.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

Ver completo predict detalhes do modo no Prever página.

Exportação

Exportar um modelo YOLO11n para um formato diferente, como ONNX, CoreML, etc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

# Export the model
model.export(format="onnx")

yolo export model=yolo11n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Os formatos de exportação disponíveis em YOLO11 encontram-se na tabela abaixo. É possível exportar para qualquer formato utilizando o botão format argumento, ou seja format='onnx' ou format='engine'. É possível prever ou validar diretamente nos modelos exportados, ou seja yolo predict model=yolo11n.onnx. São apresentados exemplos de utilização para o seu modelo após a conclusão da exportação.

Ver completo export pormenores no Exportação página.

FAQ

Como é que treino um modelo YOLO11 no meu conjunto de dados personalizado?

O treinamento de um modelo YOLO11 em um conjunto de dados personalizado envolve algumas etapas:

1. Preparar o conjunto de dados: Certifique-se de que o seu conjunto de dados está no formato YOLO . Para obter orientação, consulte o nosso Guia de conjunto de dados.
2. Carregar o modelo: Use a biblioteca Ultralytics YOLO para carregar um modelo pré-treinado ou criar um novo modelo a partir de um arquivo YAML.
3. Treinar o modelo: Executar o train em Python ou o método yolo detect train em CLI.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model on your custom dataset
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)

yolo detect train data=my_custom_dataset.yaml model=yolo11n.pt epochs=100 imgsz=640

Para obter opções de configuração detalhadas, visite a página Configuração.

Que modelos pré-treinados estão disponíveis em YOLO11?

Ultralytics YOLO11 oferece vários modelos pré-treinados para deteção de objectos, segmentação e estimativa de pose. Estes modelos são pré-treinados no conjunto de dados COCO ou ImageNet para tarefas de classificação. Eis alguns dos modelos disponíveis:

• YOLO11n
• YOLO11s
• YOLO11m
• YOLO11l
• YOLO11x

Para obter uma lista detalhada e métricas de desempenho, consulte a secção Modelos.

Como posso validar a exatidão do meu modelo YOLO treinado?

Para validar a precisão do seu modelo YOLO11 treinado, pode utilizar o .val() em Python ou o método yolo detect val em CLI. Isto fornecerá métricas como mAP50-95, mAP50, e mais.

from ultralytics import YOLO

# Load the model
model = YOLO("path/to/best.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # mAP50-95

yolo detect val model=path/to/best.pt

Para obter mais informações sobre a validação, visite a página Val.

Para que formatos posso exportar um modelo YOLO11 ?

Ultralytics YOLO11 permite exportar modelos para vários formatos, como ONNX, TensorRT, CoreML, entre outros, para garantir a compatibilidade entre diferentes plataformas e dispositivos.

from ultralytics import YOLO

# Load the model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format
model.export(format="onnx")

yolo export model=yolo11n.pt format=onnx

Consulte a lista completa de formatos suportados e as instruções na página Exportar.

Por que razão devo utilizar Ultralytics YOLO11 para a deteção de objectos?

Ultralytics YOLO11 foi concebido para oferecer um desempenho topo de gama na deteção de objectos, segmentação e estimativa de pose. Eis algumas das principais vantagens:

1. Modelos pré-treinados: Utilize modelos pré-treinados em conjuntos de dados populares como COCO e ImageNet para um desenvolvimento mais rápido.
2. Elevada precisão: Obtém pontuações mAP impressionantes, assegurando uma deteção de objectos fiável.
3. Velocidade: Optimizado para inferência em tempo real, tornando-o ideal para aplicações que requerem um processamento rápido.
4. Flexibilidade: Exporte modelos para vários formatos, como ONNX e TensorRT , para implantação em várias plataformas.

Explore o nosso blogue para conhecer casos de utilização e histórias de sucesso que mostram o YOLO11 em ação.

📅C riado há 1 ano ✏️ Atualizado há 2 meses

Comentários