Ultralytics YOLO27:

Полные руководства по Ultralytics YOLO#

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

Будь ты новичком или экспертом в области глубокого обучения, наши руководства помогут разобраться в реализации и оптимизации YOLO для твоих проектов в области компьютерного зрения.



Watch: Ultralytics YOLO26 Guides Overview

Руководства#

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

Начало работы и планирование#

  • Быстрый старт с Conda: пошаговое руководство по настройке окружения Conda для Ultralytics. Узнай, как эффективно установить пакет Ultralytics и начать работать с ним с помощью Conda.
  • Быстрый старт с Docker: полное руководство по настройке и использованию моделей Ultralytics YOLO с Docker. Узнай, как установить Docker, настроить поддержку GPU и запускать модели YOLO в изолированных контейнерах для единообразной разработки и развертывания.
  • Быстрый старт с AzureML: начни работать с моделями Ultralytics YOLO на облачной платформе машинного обучения Microsoft Azure. Узнай, как обучать, развертывать и масштабировать проекты по обнаружению объектов в облаке.
  • Быстрый старт с Modal: запускай Ultralytics YOLO26 на бессерверной облачной платформе Modal, включая аутентификацию, инференс на GPU и задачи обучения с постоянным хранилищем — без необходимости управлять инфраструктурой.
  • Определение целей проекта компьютерного зрения: пошагово разберись, как эффективно сформулировать четкие и измеримые цели для проекта компьютерного зрения. Узнай, почему четко определенная постановка задачи важна и как она создает план развития проекта.
  • Этапы проекта компьютерного зрения: узнай об основных этапах проекта компьютерного зрения, включая определение целей, выбор моделей, подготовку данных и оценку результатов.
  • Архитектура YOLO: объяснение: проследи эволюцию архитектуры YOLO от YOLOv3 до YOLO26 на уровнях backbone, neck и головы обнаружения, включая C2f, C3k2, внимание C2PSA, безъякорную архитектуру и архитектуру без NMS.

Подготовка данных#

  • Сбор и аннотирование данных: изучи инструменты, методы и лучшие практики сбора и аннотирования данных для создания высококачественных входных данных для моделей компьютерного зрения.
  • Предобработка аннотированных данных: узнай о предобработке данных для компьютерного зрения с YOLO26, включая изменение размера изображений, нормализацию, разделение датасета, аугментацию данных и исследовательский анализ данных (EDA).
  • Аугментация данных в YOLO: освой полный спектр методов аугментации данных в YOLO — от базовых преобразований до продвинутых стратегий повышения устойчивости и производительности модели.
  • Преобразование COCO в YOLO: полное руководство по преобразованию аннотаций COCO в формате JSON в формат YOLO для обучения. Охватывает обнаружение, сегментацию и ключевые точки, включая сопоставление идентификаторов классов и распространенные ошибки преобразования.
  • Обучение на COCO JSON: обучай YOLO непосредственно на аннотациях COCO JSON без преобразования в формат YOLO, используя пользовательские класс датасета и тренер.

Обучение и дообучение#

  • Советы по обучению моделей: изучи советы по оптимизации размеров батчей, использованию смешанной точности, применению предварительно обученных весов и не только, чтобы упростить обучение модели компьютерного зрения.
  • Дообучение YOLO на пользовательских данных: полное руководство по дообучению YOLO26 на пользовательских датасетах с предварительно обученными весами, включая перенос обучения, заморозку слоев, выбор оптимизатора, двухэтапное обучение и устранение неполадок.
  • Рецепт обучения YOLO26: полная документация по гиперпараметрам, конвейерам аугментации и настройкам оптимизатора, использованным для обучения официальных базовых чекпойнтов YOLO26 на COCO, с практическими рекомендациями по дообучению.
  • Настройка гиперпараметров: узнай, как оптимизировать модели YOLO, настраивая гиперпараметры с помощью класса Tuner и алгоритмов генетической эволюции.
  • Дистилляция знаний: узнай, как повысить производительность модели, перенося знания от более крупной модели-учителя к меньшей модели-ученику с помощью дистилляции на основе признаков.
  • K-блочная кросс-валидация: узнай, как улучшить обобщающую способность модели с помощью метода K-Fold кросс-валидации.
  • Настройка Trainer: узнай, как создать подкласс тренера YOLO для записи пользовательских метрик, добавления функции потерь с весами классов, настройки сохранения модели, заморозки и разморозки backbone и задания скорости обучения для каждого слоя.
  • Руководство по конфигурации модели в YAML: подробный разбор определений архитектуры моделей Ultralytics. Изучи формат YAML, разберись в системе разрешения модулей и узнай, как легко интегрировать пользовательские модули.

Оценка и устранение неполадок#

  • Метрики производительности YOLO ⭐ ВАЖНО: разберись в ключевых метриках, таких как mAP, IoU и F1-мера, используемых для оценки производительности моделей YOLO. Включает практические примеры и советы по повышению точности и скорости обнаружения.
  • Анализ оценки и дообучения моделей: оцени модели компьютерного зрения с помощью таких метрик, как mAP и IoU, а затем используй полученные результаты для повышения точности обнаружения.
  • Тестирование моделей: узнай, как тестировать модели компьютерного зрения на неизвестных данных, проверять модели YOLO26 и выявлять переобучение, недообучение и утечку данных до развертывания.
  • Распространенные проблемы YOLO ⭐ РЕКОМЕНДУЕТСЯ: практические решения и советы по устранению наиболее часто встречающихся проблем при работе с моделями Ultralytics YOLO.
  • Обслуживание модели компьютерного зрения: разберись в ключевых практиках мониторинга, обслуживания и документирования моделей компьютерного зрения, чтобы гарантировать точность, выявлять аномалии и снижать влияние дрейфа данных.

Развертывание и предоставление сервиса#

  • Варианты развертывания моделей: обзор форматов развертывания моделей YOLO, таких как ONNX, OpenVINO и TensorRT, с преимуществами и недостатками каждого формата для выбора стратегии развертывания.
  • Лучшие практики развертывания моделей: изучи советы и лучшие практики эффективного развертывания моделей в проектах компьютерного зрения с акцентом на оптимизацию, устранение неполадок и безопасность.
  • Экспорт моделей не-YOLO: используй автономные утилиты экспорта Ultralytics для конвертации любой torch.nn.Module (timm, torchvision, пользовательской) в ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch, Core AI и TensorFlow SavedModel.
  • End-to-End Detection: выбирай вывод NMS или без NMS, а также разбирайся в форматах вывода и совместимости экспорта.
  • Интеграция с Triton Inference Server: подробно изучи интеграцию Ultralytics YOLO26 с Triton Inference Server от NVIDIA для масштабируемого и эффективного развертывания инференса глубокого обучения.
  • Потокобезопасный инференс YOLO: рекомендации по выполнению инференса с моделями YOLO безопасным для потоков способом. Узнай о важности потокобезопасности и лучших практиках предотвращения состязаний потоков и обеспечения стабильных предсказаний.
  • Быстрый старт с ROS: узнай, как интегрировать YOLO с операционной системой для роботов (ROS) для обнаружения объектов в реальном времени в робототехнических приложениях, включая облака точек и изображения глубины.
  • Развертывание в Vertex AI с Docker: оптимизированное руководство по упаковке моделей YOLO в контейнеры с Docker и их развертыванию в Google Cloud Vertex AI, включая сборку, отправку, автомасштабирование и мониторинг.

Оптимизация инференса#

Периферийное и встраиваемое оборудование#

  • NVIDIA Jetson: руководство по быстрому старту для развертывания моделей YOLO на устройствах NVIDIA Jetson.
  • Raspberry Pi: краткое руководство по запуску 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 вклад в наши руководства#

Мы приветствуем вклад сообщества! Если ты хорошо освоил какой-либо аспект Ultralytics YOLO, который еще не освещен в наших руководствах, поделись своей экспертизой. Написание руководства — отличный способ внести вклад в сообщество и помочь нам сделать документацию более полной и удобной для пользователей.

Для начала ознакомься с нашим руководством по внесению изменений, где описаны рекомендации по созданию Pull Request (PR). Добавляя новое руководство, помести его в подходящую категорию выше, соответствующую этапу проекта, и придерживайся одного типа страницы — пошагового руководства, инструкции по конкретной задаче или справочника, — чтобы по мере роста коллекции ее было легко просматривать. Будем рады твоему вкладу.

Часто задаваемые вопросы#

  • Обучение пользовательской модели обнаружения объектов с помощью Ultralytics YOLO не вызывает сложностей. Сначала подготовь датасет в правильном формате и установи пакет Ultralytics. Для запуска обучения используй следующий код:

    Пример
    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

    Подробные сведения о форматировании датасета и дополнительные параметры смотри в нашем руководстве Советы по обучению моделей.

  • Оценка производительности модели YOLO необходима для понимания ее эффективности. Ключевые метрики включают среднюю точность по всем классам (mAP), пересечение по объединению (IoU) и F1-меру. Эти метрики помогают оценить точность и прецизионность задач обнаружения объектов. Подробнее об этих метриках и способах улучшения модели можно узнать в нашем руководстве Метрики производительности YOLO.

  • Ultralytics Platform — это платформа без кода, которая упрощает управление, обучение и развертывание моделей YOLO. Она поддерживает бесшовную интеграцию, отслеживание в реальном времени и облачное обучение, что делает ее подходящей как для новичков, так и для профессионалов. Узнай больше о ее возможностях и о том, как она может упростить твой рабочий процесс, в нашем руководстве по быстрому старту Ultralytics Platform.

  • К распространенным проблемам при обучении моделей YOLO относятся ошибки форматирования данных, несовместимость архитектуры модели и недостаток обучающих данных. Чтобы решить эти проблемы, проверь правильность форматирования датасета, совместимость версий модели и увеличь объем обучающих данных с помощью аугментации. Полный список решений смотри в нашем руководстве Распространенные проблемы YOLO.

  • Для развертывания моделей YOLO на периферийных устройствах, таких как NVIDIA Jetson и Raspberry Pi, необходимо преобразовать модель в совместимый формат, например TensorRT или LiteRT. Чтобы начать работу с обнаружением объектов в реальном времени на периферийном оборудовании, следуй нашим пошаговым руководствам по развертыванию на NVIDIA Jetson и Raspberry Pi. В этих руководствах описаны установка, настройка и оптимизация производительности.

Участники
GLglenn-jocher23RAraimbekovm16RIRizwanMunawar11ABabirami-vina6BUBurhan-Q3AMambitious-octopus2LAlakshanthad2TBtbujewsk1LMlmycross1ONonuralpszr1PDpderrenger1Y-Y-T-G1LUlussebullar1PIpicsalex1MAMatthewNoyce1

Комментарии