Подробные учебные пособия по Ultralytics YOLO

Q: What are the common issues faced during YOLO model training, and how can I resolve them?

К распространенным проблемам во время обучения моделей YOLO относятся ошибки форматирования данных, несоответствия архитектуры модели и недостаточное количество обучающих данных. Чтобы решить эти проблемы, убедитесь, что ваш набор данных отформатирован правильно, проверьте совместимость версий моделей и увеличьте объем обучающих данных. Полный список решений можно найти в нашем руководстве по распространенным проблемам YOLO.

Добро пожаловать в YOLO Ultralytics YOLO . Наши подробные учебные материалы охватывают различные аспекты моделиобнаружения объектов YOLO , от обучения и прогнозирования до внедрения. Создано на основе PyTorch, YOLO исключительной скоростью и точностью при выполнении задач обнаружения объектов в реальном времени.

Независимо от того, являетесь ли вы новичком или экспертом в области глубокого обучения, наши учебные материалы содержат ценную информацию о внедрении и оптимизации YOLO ваших проектов в области компьютерного зрения.

Смотреть: Обзор руководств Ultralytics YOLO11

Руководства

Вот подборка подробных руководств, которые помогут вам освоить различные аспекты Ultralytics YOLO.

Руководство по тестированию моделей: подробное руководство по тестированию моделей компьютерного зрения в реалистичных условиях. Узнайте, как проверить точность, надежность и производительность в соответствии с целями проекта.
Быстрый старт AzureML: начните работу сYOLO Ultralytics YOLO на платформе Microsoft Azure Machine Learning. Узнайте, как обучать, развертывать и масштабировать проекты по обнаружению объектов в облаке.
Лучшие практики развертывания моделей: ознакомьтесь с советами и лучшими практиками по эффективному развертыванию моделей в проектах компьютерного зрения с акцентом на оптимизацию, устранение неполадок и безопасность.
Быстрый старт Conda: пошаговое руководство по настройке среды Conda для Ultralytics. Узнайте, как установить и начать эффективно использовать Ultralytics с помощью Conda.
Сбор и аннотирование данных: изучите инструменты, методы и передовые практики сбора и аннотирования данных для создания высококачественных входных данных для ваших моделей компьютерного зрения.
DeepStream на NVIDIA : краткое руководство по развертыванию YOLO на устройствах NVIDIA с использованием DeepStream и TensorRT.
Определение целей проекта в области компьютерного зрения: узнайте, как эффективно определить четкие и измеримые цели для вашего проекта в области компьютерного зрения. Узнайте о важности четкого формулирования задачи и о том, как это помогает создать план действий для вашего проекта.
Быстрый старт Docker: полное руководство по настройке и использованиюYOLO Ultralytics YOLO с Docker. Узнайте, как установить Docker, управлять GPU и запускать YOLO в изолированных контейнерах для обеспечения последовательной разработки и развертывания.
Edge TPU на Raspberry Pi: Google Edge TPU ускоряет вывод YOLO на Raspberry Pi.
Настройка гиперпараметров: узнайте, как оптимизировать YOLO путем тонкой настройки гиперпараметров с помощью класса Tuner и алгоритмов генетической эволюции.
Информация об оценке и настройке моделей: получите представление о стратегиях и передовых методах оценки и настройки моделей компьютерного зрения. Узнайте об итеративном процессе доработки моделей для достижения оптимальных результатов.
Изоляция объектов сегментации: пошаговая инструкция и объяснение того, как извлекать и/или изолировать объекты из изображений с помощью Ultralytics .
K-кратная перекрестная валидация: узнайте, как улучшить обобщение модели с помощью метода K-кратной перекрестной валидации.
Обслуживание модели компьютерного зрения: ознакомьтесь с основными методами мониторинга, обслуживания и документирования моделей компьютерного зрения, чтобы гарантировать точность, выявлять аномалии и снижать дрейф данных.
Варианты развертывания моделей: Обзор форматов развертывания моделей YOLO, таких как ONNX, OpenVINO и TensorRT, с указанием преимуществ и недостатков каждого из них, чтобы помочь вам определить стратегию развертывания.
Руководство по настройке модели YAML: подробное описание архитектуры моделей Ultralytics. Изучите формат YAML, поймите систему разрешения модулей и узнайте, как легко интегрировать пользовательские модули.
NVIDIA : краткое руководство по развертыванию YOLO на устройствах NVIDIA .
РежимыOpenVINO и пропускной способностиOpenVINO : изучите методы оптимизации задержки и пропускной способности для достижения максимальной производительности YOLO .
Предварительная обработка аннотированных данных: узнайте о предварительной обработке и дополнении данных изображений в проектах компьютерного зрения с использованием YOLO11, включая нормализацию, дополнение наборов данных, разделение и исследовательский анализ данных (EDA).
Raspberry Pi: краткое руководство по запуску YOLO на новейшем оборудовании Raspberry Pi.
Быстрый старт ROS: узнайте, как интегрировать YOLO операционной системой роботов (ROS) для обнаружения объектов в реальном времени в робототехнических приложениях, включая облака точек и изображения глубины.
SAHI Tiled Inference: Подробное руководство по использованию возможностей SAHI по фрагментированному выводу с YOLO11 обнаружения объектов на изображениях с высоким разрешением.
Этапы проекта в области компьютерного зрения: узнайте о ключевых этапах проекта в области компьютерного зрения, включая определение целей, выбор моделей, подготовку данных и оценку результатов.
Советы по обучению моделей: ознакомьтесь с советами по оптимизации размера партий, использованию смешанной точности, применению предварительно обученных весов и многому другому, чтобы обучение вашей модели компьютерного зрения стало простым и легким.
ИнтеграцияTriton Server: углубитесь в интеграцию Ultralytics YOLO11 Triton Server NVIDIA для масштабируемого и эффективного развертывания систем глубокого обучения.
Развертывание Vertex AI с помощью Docker: упрощенное руководство по контейнеризации YOLO с помощью Docker и их развертыванию в Google Vertex AI — включая сборку, отправку, автомасштабирование и мониторинг.
Просмотр изображений вывода в терминале: Используйте встроенный терминал VSCode для просмотра результатов вывода при использовании Remote Tunnel или SSH-сессий.
Распространенные проблемы YOLO ⭐ РЕКОМЕНДУЕТСЯ: Практические решения и советы по устранению наиболее часто встречающихся проблем при работе с моделями Ultralytics YOLO.
РасширениеYOLO : освойте весь спектр методов расширения данных в YOLO, от базовых преобразований до передовых стратегий повышения надежности и производительности модели.
Метрики производительности YOLO ⭐ ВАЖНО: Разберитесь в ключевых метриках, таких как mAP, IoU и F1 score, используемых для оценки производительности ваших моделей YOLO. Включает практические примеры и советы о том, как повысить точность и скорость detect.
YOLO выводYOLO : рекомендации по выполнению вывода с помощью YOLO безопасным для потоков способом. Узнайте о важности безопасности потоков и лучших практиках для предотвращения гонки условий и обеспечения согласованности прогнозов.

Внесите свой вклад в наши руководства

Мы приветствуем вклад сообщества! Если вы в совершенстве освоили какой-либо аспект Ultralytics YOLO, который еще не освещен в наших руководствах, мы призываем вас поделиться своим опытом. Написание руководства - отличный способ внести свой вклад в сообщество и помочь нам сделать нашу документацию более полной и удобной для пользователя.

Для начала, пожалуйста, ознакомьтесь с нашим Руководством по участию, в котором содержатся инструкции по открытию Pull Request (PR). Мы с нетерпением ждем ваших вкладов.

Часто задаваемые вопросы

Как обучить пользовательскую модель обнаружения объектов с помощью Ultralytics YOLO?

Обучение пользовательской модели обнаружения объектов с помощью Ultralytics YOLO не представляет особой сложности. Начните с подготовки набора данных в правильном формате и установки пакета Ultralytics. Используйте следующий код для начала обучения:

Пример

PythonCLI

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

yolo task=detect mode=train model=yolo11n.pt data=path/to/dataset.yaml epochs=50

Для получения подробной информации о форматировании набора данных и дополнительных параметрах обратитесь к нашему руководству Советы по обучению моделей.

Какие метрики производительности следует использовать для оценки моей модели YOLO?

Оценка производительности вашей YOLO модели имеет решающее значение для понимания ее эффективности. Ключевые метрики включают Mean Average Precision (mAP), Intersection over Union (IoU) и F1 score. Эти метрики помогают оценить точность и precision задач detect объектов. Вы можете узнать больше об этих метриках и о том, как улучшить свою модель, в нашем руководстве YOLO Performance Metrics.

Почему я должен использовать Ultralytics HUB для своих проектов компьютерного зрения?

Ultralytics HUB - это платформа, не требующая написания кода, которая упрощает управление, обучение и развертывание моделей YOLO. Она поддерживает простую интеграцию, отслеживание в реальном времени и облачное обучение, что делает ее идеальной как для начинающих, так и для профессионалов. Узнайте больше о ее функциях и о том, как она может оптимизировать ваш рабочий процесс, из нашего краткого руководства Ultralytics HUB.

Какие распространенные проблемы возникают во время обучения модели YOLO и как их можно решить?

Общие проблемы во время обучения модели YOLO включают ошибки форматирования данных, несоответствия архитектуры модели и недостаточное количество данных для обучения. Чтобы решить эти проблемы, убедитесь, что ваш набор данных отформатирован правильно, проверьте совместимость версий модели и увеличьте объем данных для обучения. Для получения полного списка решений обратитесь к нашему руководству Распространенные проблемы YOLO.

Как я могу развернуть свою модель YOLO для обнаружения объектов в реальном времени на периферийных устройствах?

Для развертывания моделей YOLO на периферийных устройствах, таких как NVIDIA Jetson и Raspberry Pi, требуется преобразовать модель в совместимый формат, например TensorRT или TFLite. Воспользуйтесь нашими пошаговыми руководствами по развертыванию на NVIDIA Jetson и Raspberry Pi, чтобы начать работу с обнаружением объектов в реальном времени на периферийном оборудовании. Эти руководства проведут вас через установку, настройку и оптимизацию производительности.

📅 Создано 2 года назад ✏️ Обновлено 0 дней назад