Полные руководства по Ultralytics YOLO#

Добро пожаловать в руководства по YOLO от Ultralytics. Наши подробные учебные пособия охватывают различные аспекты модели YOLO обнаружения объектов — от обучения и прогнозирования до развертывания. Созданная на базе PyTorch, YOLO выделяется своей исключительной скоростью и точностью в задачах обнаружения объектов в реальном времени.

Независимо от того, новичок ты или эксперт в глубоком обучении, наши руководства предлагают ценные сведения по внедрению и оптимизации YOLO для твоих проектов по компьютерному зрению.

Руководства#

Руководства сгруппированы по этапам проекта — от настройки окружения и подготовки данных до обучения, оценки, развертывания, оптимизации вывода и работы с edge-устройствами, — чтобы ты мог сразу перейти к нужному этапу работы.

Начало работы и планирование#

• Быстрый старт с Conda: Пошаговое руководство по настройке среды Conda для Ultralytics. Узнай, как эффективно устанавливать пакет Ultralytics и начать работу с ним с помощью Conda.
• Быстрый старт с Docker: Полное руководство по настройке и использованию моделей Ultralytics YOLO с Docker. Узнай, как установить Docker, управлять поддержкой GPU и запускать модели YOLO в изолированных контейнерах для стабильной разработки и развертывания.
• Быстрый старт с AzureML: Начни работу с моделями Ultralytics YOLO на платформе машинного обучения Microsoft Azure. Узнай, как обучать, развертывать и масштабировать свои проекты по обнаружению объектов в облаке.
• Быстрый старт с Modal: Запускай Ultralytics YOLO26 на бессерверной облачной платформе Modal, охватывая аутентификацию, инференс на GPU и задачи обучения с постоянным хранилищем — никакой инфраструктуры для администрирования.
• Определение целей проекта по компьютерному зрению: Разбери, как эффективно формулировать четкие и измеримые цели для твоего проекта по компьютерному зрению. Узнай о важности четко сформулированной проблемы и о том, как она создает дорожную карту для твоего проекта.
• Этапы проекта по компьютерному зрению: Узнай об основных этапах проекта по компьютерному зрению, включая определение целей, выбор моделей, подготовку данных и оценку результатов.
• Объяснение архитектуры YOLO: Проследи, как эволюционировала архитектура YOLO от YOLOv3 до YOLO26 через бэкбон, нек и головку детекции, включая C2f, C3k2, внимание C2PSA, а также безъякорный дизайн и дизайн без NMS.

Подготовка данных#

• Сбор и разметка данных: Изучи инструменты, методы и лучшие практики сбора и разметки данных для создания высококачественных входных данных для твоих моделей компьютерного зрения.
• Предобработка размеченных данных: Узнай о предобработке данных для компьютерного зрения с помощью YOLO26, включая изменение размера изображений, нормализацию, разделение наборы данных, аугментацию данных и разведочный анализ данных (EDA).
• Аугментация данных в YOLO: Освой полный спектр методов аугментации данных в YOLO — от базовых преобразований до продвинутых стратегий повышения надежности и производительности модели.
• Конвертация COCO в YOLO: Полное руководство по конвертации аннотаций COCO JSON в формат YOLO для обучения. Охватывает детектирование, сегментацию и ключевые точки, включая сопоставление ID классов и распространенные ошибки при конвертации.
• Обучение на данных COCO JSON: Обучай YOLO напрямую по аннотациям COCO JSON без конвертации в формат YOLO, используя пользовательский класс набора данных и трейнер.

Обучение и дообучение#

• Советы по обучению моделей: Изучи советы по оптимизации размеров батчей, использованию смешанной точности, применению предобученных весов и многому другому, чтобы сделать обучение твоей модели компьютерного зрения простым.
• Тонкая настройка YOLO на пользовательских данных: Полное руководство по тонкой настройке YOLO26 на пользовательских наборах данных с использованием предобученных весов, охватывающее трансферное обучение, заморозку слоев, выбор оптимизатора, двухэтапное обучение и устранение неполадок.
• Рецепт обучения YOLO26: Полная документация по гиперпараметрам, конвейерам аугментации и настройкам оптимизатора, используемым для обучения официальных базовых чекпоинтов YOLO26 на COCO, с практическими рекомендациями по тонкой настройке.
• Настройка гиперпараметров: Узнай, как оптимизировать модели YOLO путем тонкой настройки гиперпараметров с помощью класса Tuner и алгоритмов генетической эволюции.
• Дистилляция знаний: Узнай, как повысить производительность модели путем передачи знаний от более крупной модели-учителя к более мелкой модели-ученику с использованием дистилляции на основе признаков.
• K-кратная перекрестная проверка: Узнай, как улучшить обобщающую способность модели с помощью метода K-кратной кросс-валидации.
• Кастомизация трейнера: Узнай, как создавать подклассы трейнера YOLO для логирования пользовательских метрик, добавления потерь с весами классов, кастомизации сохранения моделей, заморозки/разморозки бэкбона и установки скорости обучения для отдельных слоев.
• Руководство по конфигурации моделей YAML: Подробный разбор определений архитектуры моделей Ultralytics. Изучи формат YAML, пойми систему разрешения модулей и узнай, как бесшовно интегрировать пользовательские модули.

Оценка и устранение неполадок#

• Метрики производительности YOLO ⭐ ОБЯЗАТЕЛЬНО: Пойми ключевые метрики, такие как mAP, IoU и F1-мера, используемые для оценки производительности твоих моделей YOLO. Содержит практические примеры и советы о том, как улучшить точность и скорость обнаружения.
• Аналитика оценки моделей и тонкой настройки: оценивай модели компьютерного зрения с помощью таких метрик, как mAP и IoU, а затем действуй на основе полученных данных, чтобы повысить точность обнаружения.
• Тестирование моделей: Узнай, как тестировать модели компьютерного зрения на новых данных, валидировать модели YOLO26 и выявлять переобучение, недообучение и утечку данных перед развертыванием.
• Часто задаваемые вопросы о YOLO ⭐ РЕКОМЕНДУЕТСЯ: Практические решения и советы по устранению неполадок для наиболее часто возникающих проблем при работе с моделями Ultralytics YOLO.
• Поддержание актуальности модели компьютерного зрения: Пойми ключевые практики мониторинга, обслуживания и документирования моделей компьютерного зрения для обеспечения точности, выявления аномалий и смягчения дрейфа данных.

Развертывание и обслуживание#

• Варианты развертывания моделей: Обзор форматов развертывания моделей YOLO, таких как ONNX, OpenVINO и TensorRT, с плюсами и минусами каждого из них для формирования стратегии деплоя.
• Лучшие практики развертывания моделей: Ознакомься с советами и лучшими практиками эффективного развертывания моделей в проектах компьютерного зрения с акцентом на оптимизацию, устранение неполадок и безопасность.
• Экспорт не-YOLO моделей: Используй автономные утилиты экспорта Ultralytics для конвертации любого torch.nn.Module (timm, torchvision, пользовательского) в ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch и TensorFlow SavedModel.
• Сквозное обнаружение: Узнай о сквозном обнаружении YOLO26 без NMS, совместимости экспорта, изменениях формата вывода и о том, как мигрировать со старых моделей YOLO.
• Интеграция с Triton Inference Server: Погрузись в интеграцию Ultralytics YOLO26 с Triton Inference Server от NVIDIA для масштабируемых и эффективных развертываний инференса глубокого обучения.
• Потокобезопасный инференс YOLO: Рекомендации по выполнению инференса с моделями YOLO в потокобезопасном режиме. Узнай о важности потокобезопасности и лучших практиках предотвращения гонок данных и обеспечения стабильных предсказаний.
• Быстрый старт с ROS: Узнай, как интегрировать YOLO с Robot Operating System (ROS) для обнаружения объектов в реальном времени в робототехнических приложениях, включая облака точек и изображения глубины.
• Развертывание в Vertex AI с помощью Docker: Упрощенное руководство по контейнеризации моделей YOLO с помощью Docker и их развертыванию в Google Cloud Vertex AI, охватывающее сборку, отправку, автомасштабирование и мониторинг.

Оптимизация вывода#

• Инференс по тайлам с SAHI: Подробное руководство по использованию возможностей разделенного инференса SAHI с YOLO26 для обнаружения объектов на изображениях высокого разрешения.
• Режимы задержки и пропускной способности OpenVINO: Узнай методы оптимизации задержки и пропускной способности для пиковой производительности инференса YOLO.
• Предобработка на GPU с NVIDIA DALI: Устрани узкие места предобработки на CPU, выполняя изменение размера с сохранением пропорций, дополнение и нормализацию для YOLO на GPU с помощью NVIDIA DALI и интеграции с Triton Inference Server.
• Изоляция объектов сегментации: Пошаговый рецепт и объяснение того, как извлекать и/или изолировать объекты с изображений с помощью Ultralytics Segmentation.
• Просмотр изображений инференса в терминале: Используй встроенный терминал VSCode для просмотра результатов инференса при работе через сеансы Remote Tunnel или SSH.

Edge-устройства и встраиваемое оборудование#

• NVIDIA Jetson: Руководство по быстрому старту для развертывания моделей YOLO на устройствах NVIDIA Jetson.
• Raspberry Pi: Руководство по быстрому старту для запуска моделей YOLO на новейшем оборудовании Raspberry Pi.
• DeepStream на NVIDIA Jetson: Руководство по быстрому старту для развертывания моделей YOLO на устройствах NVIDIA Jetson с использованием DeepStream и TensorRT.
• Edge TPU на Raspberry Pi: Google Edge TPU ускоряет инференс YOLO на Raspberry Pi.
• NVIDIA DGX Spark: Руководство по быстрому старту для развертывания моделей YOLO на устройствах NVIDIA DGX Spark.
• DL Streamer на Intel: Руководство по быстрому старту для развертывания моделей YOLO26 на устройствах Intel Core Ultra Series 3 с использованием DL Streamer и OpenVINO™.

Внеси свой вклад в наши руководства#

Мы приветствуем вклад сообщества! Если ты освоил определенный аспект Ultralytics YOLO, который еще не освещен в наших руководствах, мы призываем тебя поделиться своим опытом. Написание руководства — это отличный способ отблагодарить сообщество и помочь нам сделать нашу документацию более полной и удобной для пользователей.

Чтобы начать работу, ознакомься с нашим Руководством по участию, где описаны правила создания Pull Request (PR). При добавлении нового руководства размещай его в категории выше, которая соответствует его этапу проекта, и придерживайся одного типа страницы — пошагового учебного пособия, практического руководства или справочника, — чтобы коллекцию было легко просматривать по мере ее роста. Мы ждем твоего вклада.

FAQ#