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 по YOLO от Ultralytics. Наши всеобъемлющие руководства охватывают различные аспекты модели обнаружения объектов YOLO, от обучения и прогнозирования до развертывания. Построенная на PyTorch, YOLO выделяется своей исключительной скоростью и точностью в задачах обнаружения объектов в реальном времени.

Независимо от того, являетесь ли вы новичком или экспертом в глубоком обучении, наши руководства предлагают ценные сведения по реализации и оптимизации YOLO для ваших проектов компьютерного зрения.

Смотреть: Обзор руководств Ultralytics YOLO26

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 проверять точность, надежность и производительность в соответствии с целями проекта.
Быстрый старт с AzureML: Начните работу с моделями Ultralytics YOLO на платформе машинного обучения Microsoft Azure. Узнайте, как обучать, развертывать и масштабировать проекты обнаружения объектов в облаке.
Лучшие практики развертывания моделей: Ознакомьтесь с советами и лучшими практиками для эффективного развертывания моделей в проектах компьютерного зрения, с акцентом на оптимизацию, устранение неполадок и безопасность.
Быстрый старт с Conda: Пошаговое руководство по настройке среды Conda для Ultralytics. Узнайте, как эффективно устанавливать и использовать пакет Ultralytics с Conda.
Сбор и аннотирование данных: Изучите инструменты, методы и лучшие практики для сбора и аннотирования данных с целью создания высококачественных входных данных для ваших моделей компьютерного зрения.
DeepStream на NVIDIA Jetson: Руководство по быстрому старту для развертывания моделей YOLO на устройствах NVIDIA Jetson с использованием DeepStream и TensorRT.
Определение целей проекта компьютерного зрения: Ознакомьтесь с тем, как эффективно определять четкие и измеримые цели для вашего проекта компьютерного зрения. Узнайте о важности хорошо сформулированной проблемы и о том, как она создает дорожную карту для вашего проекта.
Быстрый старт с Docker: 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 последовательной разработки и развертывания.
Edge TPU на Raspberry Pi: Google Edge TPU ускоряет вывод YOLO на Raspberry Pi.
Настройка гиперпараметров: Узнайте, как оптимизировать модели YOLO путем тонкой настройки гиперпараметров с использованием класса Tuner и алгоритмов генетической эволюции.
Оценка и тонкая настройка моделей: Получите представление о стратегиях и лучших практиках оценки и тонкой настройки моделей компьютерного зрения. Узнайте об итеративном процессе доработки моделей для достижения оптимальных результатов.
Изоляция объектов сегментации: Пошаговое руководство и объяснение того, как извлекать и/или изолировать объекты из изображений с помощью Ultralytics Segmentation.
K-кратная перекрестная проверка: Узнайте, как улучшить обобщающую способность модели с помощью метода K-кратной перекрестной проверки.
Поддержание модели компьютерного зрения: Ознакомьтесь с ключевыми практиками мониторинга, обслуживания и документирования моделей компьютерного зрения для обеспечения точности, выявления аномалий и смягчения дрейфа 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 конфигурации модели YAML: Подробное изучение определений архитектуры моделей Ultralytics. Изучите формат YAML, поймите систему разрешения модулей и узнайте, как беспрепятственно интегрировать пользовательские модули.
NVIDIA DGX Spark: Краткое руководство по развертыванию моделей YOLO на устройствах NVIDIA DGX Spark.
NVIDIA Jetson: Руководство по быстрому старту для развертывания моделей YOLO на устройствах NVIDIA Jetson.
Режимы задержки и пропускной способности OpenVINO: Изучите методы оптимизации задержки и пропускной способности для достижения пиковой производительности вывода YOLO.
Предварительная обработка аннотированных данных: Узнайте о предварительной обработке и аугментации изображений в проектах компьютерного зрения с использованием YOLO26, включая нормализацию, аугментацию набора данных, разделение и разведочный анализ данных (EDA).
Raspberry Pi: Руководство по быстрому старту для запуска моделей YOLO на новейшем оборудовании Raspberry Pi.
Быстрый старт с ROS: Узнайте, как интегрировать YOLO с Robot Operating System (ROS) для обнаружения объектов в реальном времени в робототехнических приложениях, включая облака точек и изображения глубины.
Плиточный вывод SAHI: Подробное руководство по использованию возможностей SAHI по фрагментированному выводу с YOLO26 для обнаружения объектов на изображениях высокого разрешения.
Этапы проекта компьютерного зрения: Узнайте о ключевых этапах проекта компьютерного зрения, включая определение целей, выбор моделей, подготовку данных и оценку результатов.
Советы по обучению моделей: Изучите советы по оптимизации размеров пакетов, использованию смешанной точности, применению предобученных весов и многому другому, чтобы сделать обучение вашей модели компьютерного зрения легким.
Интеграция с Triton Inference Server: Погрузитесь в интеграцию Ultralytics YOLO26 с Triton Inference Server от NVIDIA для масштабируемых и эффективных развертываний вывода глубокого обучения.
Развертывание Vertex AI с Docker: Упрощенное руководство по контейнеризации моделей YOLO с помощью Docker и их развертыванию на Google Cloud Vertex AI, охватывающее 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.
Аугментация данных YOLO: Освойте полный спектр методов аугментации данных в YOLO, от базовых преобразований до продвинутых стратегий для 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.
Потокобезопасный вывод YOLO: Руководство по выполнению вывода с моделями YOLO в потокобезопасном режиме. Узнайте о важности потокобезопасности и лучших практиках для предотвращения состояний гонки и обеспечения согласованных предсказаний.

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 внесению вклада для получения инструкций 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("yolo26n.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=yolo26n.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 мне следует использовать платформу Ultralytics для моих проектов компьютерного зрения?

Платформа Ultralytics — это no-code платформа, которая упрощает управление, обучение и развертывание моделей YOLO. Она поддерживает бесшовную интеграцию, отслеживание в реальном времени и облачное обучение, что делает ее идеальной как для новичков, так и для профессионалов. Узнайте больше о ее функциях и о том, как она может оптимизировать ваш рабочий процесс, с помощью нашего краткого руководства по платформе Ultralytics.

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 лет назад ✏️ Обновлено 8 дней назад