Обзор наборов данных для отслеживания нескольких объектов

Формат набора данных (скоро будет)

Многообъектный детектор не нуждается в отдельном обучении и напрямую поддерживает предварительно обученные модели обнаружения, сегментации или позы. Поддержка самостоятельного обучения трекеров появится в ближайшее время

Использование

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3, iou=0.5 show

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как использовать многообъектное отслеживание с Ultralytics YOLO ?

Чтобы использовать многообъектное отслеживание с Ultralytics YOLO , вы можете начать с примеров Python или CLI . Вот как можно начать:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load the YOLO11 model
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3 iou=0.5 show

Эти команды загружают модель YOLO11 и используют ее для отслеживания объектов в заданном видеоисточнике с определенной уверенностью (conf) и Перекресток над Юнионом (iou) пороговых значений. Для получения более подробной информации см. документация по режиму трека.

Какие функции для трекеров тренировок появятся в ближайшее время на сайте Ultralytics?

Ultralytics постоянно совершенствует свои модели искусственного интеллекта. В ближайшем будущем появится возможность обучения автономных трекеров. До тех пор Multi-Object Detector использует предварительно обученные модели обнаружения, сегментации или позы для отслеживания, не требуя отдельного обучения. Следите за новостями в нашем блоге и узнавайте о новых функциях.

Почему стоит использовать Ultralytics YOLO для отслеживания нескольких объектов.

Ultralytics YOLO это современная модель обнаружения объектов, известная своей производительностью в реальном времени и высокой точностью. Использование YOLO для отслеживания нескольких объектов дает ряд преимуществ:

• Слежение в реальном времени: Эффективное и высокоскоростное слежение, идеальное для динамичных сред.
• Гибкость благодаря предварительно обученным моделям: Не нужно обучаться с нуля; просто используйте предварительно обученные модели обнаружения, сегментации или позирования.
• Простота использования: Простая интеграция API с Python и CLI делает настройку конвейеров отслеживания простой и понятной.
• Обширная документация и поддержка сообщества: Ultralytics предоставляет исчерпывающую документацию и активный форум сообщества для устранения неполадок и улучшения ваших моделей отслеживания.

Более подробную информацию о настройке и использовании YOLO для отслеживания можно найти в нашем руководстве по использованию треков.

Можно ли использовать пользовательские наборы данных для отслеживания нескольких объектов с помощью Ultralytics YOLO ?

Да, вы можете использовать пользовательские наборы данных для многообъектного отслеживания с помощью Ultralytics YOLO . Хотя поддержка самостоятельного обучения трекеров - это будущая функция, вы уже можете использовать предварительно обученные модели на своих пользовательских наборах данных. Подготовьте свои наборы данных в соответствующем формате, совместимом с YOLO , и следуйте документации для их интеграции.

Как интерпретировать результаты модели отслеживания Ultralytics YOLO ?

После выполнения задания отслеживания с Ultralytics YOLO результаты включают различные данные, такие как идентификаторы отслеживаемых объектов, их ограничительные рамки и баллы доверия. Вот краткий обзор того, как интерпретировать эти результаты:

• Отслеживаемые идентификаторы: Каждому объекту присваивается уникальный идентификатор, который помогает отслеживать его во всех кадрах.
• Ограничительные рамки: Указывают местоположение отслеживаемых объектов в кадре.
• Баллы доверия: Они отражают уверенность модели в обнаружении отслеживаемого объекта.

Подробное руководство по интерпретации и визуализации этих результатов см. в руководстве по обработке результатов.

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад

Комментарии