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 руководства Ultralytics' YOLO 🚀! Наши подробные руководства охватывают различные аспекты модели обнаружения объектов YOLO, от обучения и прогнозирования до развертывания. YOLO, построенная на базе PyTorch, выделяется своей исключительной скоростью и точностью в задачах обнаружения объектов в реальном времени.

Независимо от того, являетесь ли вы новичком или экспертом в области глубокого обучения, наши руководства предлагают ценную информацию о реализации и оптимизации YOLO для ваших проектов в области компьютерного зрения. Давайте погрузимся!

Смотреть: Обзор руководств Ultralytics YOLO11

Руководства

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

Распространенные проблемы YOLO ⭐ РЕКОМЕНДУЕТСЯ: Практические решения и советы по устранению наиболее часто встречающихся проблем при работе с моделями Ultralytics YOLO.
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 обнаружения.
YOLO Thread-Safe Inference 🚀 НОВОЕ: Руководство по выполнению вывода с моделями YOLO безопасным для потоков способом. Узнайте о важности потокобезопасности и лучших практиках для предотвращения состояний гонки и обеспечения согласованных прогнозов.
YOLO Data Augmentation 🚀 NEW: Освойте полный спектр методов увеличения данных в YOLO, от базовых преобразований до продвинутых стратегий для повышения устойчивости и производительности модели.
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.
Кросс-валидация K-Fold 🚀 НОВОЕ: Узнайте, как улучшить обобщающую способность модели с помощью метода кросс-валидации K-Fold.
Настройка гиперпараметров 🚀 НОВОЕ: Узнайте, как оптимизировать ваши YOLO модели путем точной настройки гиперпараметров с помощью класса Tuner и алгоритмов генетической эволюции.
SAHI Tiled Inference 🚀 НОВОЕ: Подробное руководство по использованию возможностей SAHI для sliced inference с YOLO11 для обнаружения объектов в изображениях высокого разрешения.
AzureML Quickstart 🚀 НОВОЕ: Начните работу с моделями Ultralytics YOLO на платформе Microsoft Azure Machine Learning. Узнайте, как обучать, развертывать и масштабировать ваши проекты по обнаружению объектов в облаке.
Conda Quickstart 🚀 НОВОЕ: Пошаговое руководство по настройке среды Conda для Ultralytics. Узнайте, как эффективно установить и начать использовать пакет Ultralytics с помощью Conda.
Docker Quickstart 🚀 НОВОЕ: Полное руководство по настройке и использованию моделей Ultralytics YOLO с Docker. Узнайте, как установить Docker, управлять поддержкой GPU и запускать модели YOLO в изолированных контейнерах для обеспечения согласованной разработки и развертывания.
Raspberry Pi 🚀 НОВОЕ: Краткое руководство по запуску моделей YOLO на новейшем оборудовании Raspberry Pi.
NVIDIA Jetson 🚀 НОВОЕ: Краткое руководство по развертыванию моделей YOLO на устройствах NVIDIA Jetson.
DeepStream на NVIDIA Jetson 🚀 НОВОЕ: Краткое руководство по развертыванию моделей YOLO на устройствах NVIDIA Jetson с использованием DeepStream и TensorRT.
Интеграция с Triton Inference Server 🚀 НОВОЕ: Погрузитесь в интеграцию Ultralytics YOLO11 с NVIDIA Triton Inference Server для масштабируемых и эффективных развертываний глубокого обучения.
Изоляция объектов сегментации 🚀 НОВОЕ: Пошаговый рецепт и объяснение того, как извлекать и/или изолировать объекты из изображений с помощью Ultralytics Segmentation.
Edge TPU на Raspberry Pi: Google Edge TPU ускоряет вывод YOLO на Raspberry Pi.
Просмотр изображений вывода в терминале: Используйте встроенный терминал VSCode для просмотра результатов вывода при использовании Remote Tunnel или SSH-сессий.
OpenVINO Режимы Latency vs Throughput - Изучите методы оптимизации задержки и пропускной способности для достижения максимальной производительности вывода YOLO.
ROS Quickstart 🚀 НОВОЕ: Узнайте, как интегрировать YOLO с Robot Operating System (ROS) для обнаружения объектов в реальном времени в робототехнических приложениях, включая облака точек и изображения глубины.
Этапы проекта компьютерного зрения 🚀 НОВОЕ: Узнайте об основных этапах проекта компьютерного зрения, включая определение целей, выбор моделей, подготовку данных и оценку результатов.
Определение целей проекта компьютерного зрения 🚀 НОВОЕ: Узнайте, как эффективно определять четкие и измеримые цели для вашего проекта компьютерного зрения. Узнайте о важности четко сформулированной постановки задачи и о том, как она создает дорожную карту для вашего проекта.
Сбор и аннотация данных 🚀 НОВОЕ: Изучите инструменты, методы и лучшие практики для сбора и аннотации данных, чтобы создать высококачественные входные данные для ваших моделей компьютерного зрения.
Предварительная обработка аннотированных данных 🚀 НОВОЕ: Узнайте о предварительной обработке и расширении данных изображений в проектах компьютерного зрения с использованием YOLO11, включая нормализацию, увеличение набора данных, разделение и разведочный анализ данных (EDA).
Советы по обучению модели 🚀 НОВОЕ: Изучите советы по оптимизации размеров пакета, использованию смешанной точности, применению предварительно обученных весов и многому другому, чтобы сделать обучение вашей модели компьютерного зрения проще.
Анализ оценки и точной настройки модели 🚀 НОВОЕ: Получите представление о стратегиях и лучших практиках для оценки и точной настройки ваших моделей компьютерного зрения. Узнайте об итеративном процессе уточнения моделей для достижения оптимальных результатов.
Руководство по тестированию модели 🚀 НОВОЕ: Подробное руководство по тестированию ваших моделей компьютерного зрения в реалистичных условиях. Узнайте, как проверить точность, надежность и производительность в соответствии с целями проекта.
Лучшие практики для развертывания модели 🚀 НОВОЕ: Ознакомьтесь с советами и лучшими практиками для эффективного развертывания моделей в проектах компьютерного зрения с акцентом на оптимизацию, устранение неполадок и безопасность.
Поддержка вашей модели компьютерного зрения 🚀 НОВОЕ: Ознакомьтесь с основными методами мониторинга, поддержки и документирования моделей компьютерного зрения, чтобы гарантировать точность, выявлять аномалии и смягчать дрейф данных.
Развертывание Vertex AI с помощью Docker 🚀 НОВОЕ: Оптимизированное руководство по контейнеризации моделей YOLO с помощью Docker и их развертыванию в Google Cloud Vertex AI, охватывающее сборку, отправку, автомасштабирование и мониторинг.

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 ознакомьтесь с нашим Руководством для участников, чтобы получить инструкции о том, как открыть запрос на внесение изменений (Pull Request, PR) 🛠️. Мы с нетерпением ждем ваших вкладов!

Давайте работать вместе, чтобы сделать экосистему Ultralytics YOLO более надежной и универсальной 🙏!

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 pre-trained 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 модели YOLO 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 точность задач обнаружения объектов. Вы можете узнать больше об этих метриках и о том, как улучшить свою модель, в нашем руководстве Метрики производительности YOLO.

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?

Развертывание моделей YOLO на периферийных устройствах, таких как NVIDIA Jetson и Raspberry Pi, требует преобразования модели в совместимый формат, такой как TensorRT или TFLite. Следуйте нашим пошаговым руководствам 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 1 год назад ✏️ Обновлено 1 месяц назад