Комплексные руководства по Ultralytics YOLO

Добро пожаловать в руководства по YOLO от Ultralytics. Наши комплексные учебные материалы охватывают различные аспекты модели обнаружения объектов, начиная от обучения и прогнозирования и заканчивая развертыванием. Построенная на базе PyTorch, YOLO выделяется исключительной скоростью и точностью в задачах обнаружения объектов в реальном времени.

Независимо от того, новичок ты или эксперт в глубоком обучении, наши руководства предложат ценные идеи по внедрению и оптимизации YOLO для твоих проектов в области компьютерного зрения.

Руководства

Здесь собраны подробные руководства, которые помогут тебе освоить различные аспекты Ultralytics YOLO.

• Руководство по тестированию моделей: Подробное руководство по тестированию твоих моделей компьютерного зрения в реалистичных условиях. Узнай, как проверять точность, надежность и производительность в соответствии с целями проекта.
• AzureML: Быстрый старт: Начни работу с моделями Ultralytics YOLO на платформе машинного обучения от Microsoft Azure. Узнай, как обучать, развертывать и масштабировать проекты по обнаружению объектов в облаке.
• Лучшие практики развертывания моделей: Ознакомься с советами и передовыми методами эффективного развертывания моделей в проектах компьютерного зрения с акцентом на оптимизацию, устранение неполадок и безопасность.
• Преобразование COCO в YOLO: Полное руководство по преобразованию аннотаций COCO JSON в формат YOLO для обучения. Охватывает обнаружение, сегментацию и ключевые точки с советами по работе с инструментами CVAT, Label Studio и Roboflow.
• Обучение на COCO JSON: Обучай YOLO напрямую на аннотациях COCO JSON без необходимости конвертации в формат YOLO, используя собственный класс набора данных и трейнер.
• Conda: Быстрый старт: Пошаговое руководство по настройке среды Conda для Ultralytics. Узнай, как эффективно установить и начать использовать пакет Ultralytics с помощью Conda.
• Настройка трейнера: Узнай, как создавать подклассы трейнера YOLO для логирования пользовательских метрик, добавления функции потерь с весами классов, настройки сохранения моделей, заморозки/разморозки бэкбона и установки скорости обучения для каждого слоя.
• Сбор и аннотирование данных: Изучи инструменты, методы и лучшие практики сбора и аннотирования данных для создания качественных входных данных для твоих моделей компьютерного зрения.
• DeepStream на NVIDIA Jetson: Краткое руководство по развертыванию моделей YOLO на устройствах NVIDIA Jetson с использованием DeepStream и TensorRT.
• Определение целей проекта компьютерного зрения: Узнай, как эффективно определить четкие и измеримые цели для твоего проекта компьютерного зрения. Узнай о важности четко сформулированной проблемы и о том, как она создает дорожную карту для твоего проекта.
• Docker: Быстрый старт: 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 стабильной разработки и развертывания.
• Edge TPU на Raspberry Pi: Google Edge TPU ускоряет вывод YOLO на Raspberry Pi.
• Сквозное обнаружение: Разберись в принципах работы NMS-free сквозного обнаружения в YOLO26, совместимости экспорта, изменениях формата вывода и методах миграции со старых моделей YOLO.
• Экспорт моделей, отличных от YOLO: Используй автономные утилиты экспорта Ultralytics для преобразования любого torch.nn.Module (timm, torchvision, собственные модели) в форматы ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch и TensorFlow SavedModel.
• Тонкая настройка YOLO на собственных данных: Полное руководство по тонкой настройке YOLO26 на пользовательских наборах данных с использованием предобученных весов, включающее обучение с переносом, заморозку слоев, выбор оптимизатора, двухэтапное обучение и устранение неполадок.
• Настройка гиперпараметров: Узнай, как оптимизировать свои модели YOLO путем тонкой настройки гиперпараметров с помощью класса Tuner и генетических алгоритмов.
• Аналитика оценки и тонкой настройки моделей: Получи ценные сведения о стратегиях и лучших практиках оценки и тонкой настройки моделей компьютерного зрения. Узнай об итеративном процессе уточнения моделей для достижения оптимальных результатов.
• Изоляция объектов сегментации: Пошаговое руководство и объяснение того, как извлекать и/или изолировать объекты из изображений с помощью сегментации Ultralytics.
• K-блочная перекрестная проверка: Узнай, как улучшить обобщающую способность модели с помощью метода K-блочной (K-Fold) перекрестной проверки.
• Обслуживание твоей модели компьютерного зрения: Разберись в ключевых практиках мониторинга, обслуживания и документирования моделей компьютерного зрения, чтобы гарантировать их точность, выявлять аномалии и снижать риск дрейфа данных.
• Варианты развертывания моделей: Обзор форматов развертывания моделей YOLO, таких как ONNX, OpenVINO и TensorRT, с описанием плюсов и минусов каждого для формирования твоей стратегии развертывания.
• Руководство по YAML-конфигурации моделей: Комплексное глубокое погружение в описание архитектуры моделей Ultralytics. Изучи формат YAML, разберись в системе разрешения модулей и узнай, как бесшовно интегрировать собственные модули.
• Предварительная обработка на GPU с NVIDIA DALI: Устрани узкие места предварительной обработки на CPU, выполняя изменение размера (letterbox), дополнение и нормализацию YOLO на GPU с помощью NVIDIA DALI, с интеграцией в Triton Inference Server.
• NVIDIA DGX Spark: Краткое руководство по развертыванию моделей YOLO на устройствах NVIDIA DGX Spark.
• NVIDIA Jetson: Краткое руководство по развертыванию моделей YOLO на устройствах NVIDIA Jetson.
• OpenVINO: Режимы задержки против пропускной способности: Изучи методы оптимизации задержки и пропускной способности для достижения максимальной производительности вывода YOLO.
• Предварительная обработка аннотированных данных: Узнай о предварительной обработке и аугментации данных изображений в проектах компьютерного зрения с использованием YOLO26, включая нормализацию, аугментацию наборов данных, разбиение и разведочный анализ данных (EDA).
• Raspberry Pi: Краткое учебное руководство по запуску моделей YOLO на новейшем оборудовании Raspberry Pi.
• ROS: Быстрый старт: Узнай, как интегрировать YOLO с Robot Operating System (ROS) для обнаружения объектов в реальном времени в робототехнических приложениях, включая работу с облаками точек и картами глубины.
• SAHI: Плиточный вывод: Полное руководство по использованию возможностей фрагментированного (sliced) вывода SAHI вместе с YOLO26 для обнаружения объектов на изображениях высокого разрешения.
• Этапы проекта компьютерного зрения: Узнай о ключевых шагах, участвующих в проекте компьютерного зрения, включая определение целей, выбор моделей, подготовку данных и оценку результатов.
• Советы по обучению моделей: Изучи советы по оптимизации размеров пакетов, использованию смешанной точности, применению предобученных весов и многому другому, чтобы сделать обучение твоей модели компьютерного зрения максимально простым.
• Интеграция с Triton Inference Server: Погрузись в интеграцию Ultralytics YOLO26 с NVIDIA Triton Inference Server для масштабируемого и эффективного развертывания глубокого обучения.
• Развертывание в Vertex AI с помощью Docker: Упрощенное руководство по контейнеризации моделей YOLO с использованием Docker и их развертыванию в Google Cloud Vertex AI — охватывает сборку, отправку в репозиторий, автомасштабирование и мониторинг.
• Просмотр изображений вывода в терминале: Используй встроенный терминал VSCode для просмотра результатов вывода при использовании Remote Tunnel или SSH-сессий.
• Рецепт обучения YOLO26: Полная документация по гиперпараметрам, конвейерам аугментации и настройкам оптимизатора, использованным для обучения официальных базовых чекпоинтов YOLO26 на COCO, с практическими рекомендациями по тонкой настройке.
• Общие проблемы YOLO ⭐ РЕКОМЕНДУЕМО: Практические решения и советы по устранению наиболее часто возникающих проблем при работе с моделями Ultralytics YOLO.
• Аугментация данных в YOLO: Освой полный спектр методов аугментации данных в YOLO, от базовых преобразований до продвинутых стратегий для повышения надежности и производительности модели.
• Метрики производительности YOLO ⭐ ВАЖНО: Разберись с ключевыми метриками, такими как mAP, IoU и F1-мера, используемыми для оценки производительности твоих моделей YOLO. Включает практические примеры и советы о том, как улучшить точность и скорость обнаружения.
• Потокобезопасный вывод YOLO: Рекомендации по выполнению вывода с моделями YOLO в потокобезопасном режиме. Узнай о важности потокобезопасности и лучших практиках для предотвращения состояний гонки и обеспечения стабильных прогнозов.

Внеси свой вклад в наши руководства

Мы приветствуем вклад от сообщества! Если ты освоил какой-то конкретный аспект Ultralytics YOLO, который еще не описан в наших руководствах, мы призываем тебя поделиться своим опытом. Написание руководства — это отличный способ помочь сообществу и сделать нашу документацию более полной и удобной для пользователей.

Для начала ознакомься с нашим Руководством по участию для получения инструкций по созданию Pull Request (PR). Мы с нетерпением ждем твоего вклада.

Часто задаваемые вопросы (FAQ)

Как обучить пользовательскую модель обнаружения объектов с помощью Ultralytics YOLO?

Обучение пользовательской модели обнаружения объектов с помощью Ultralytics YOLO — это просто. Начни с подготовки набора данных в нужном формате и установки пакета Ultralytics. Используй следующий код для запуска обучения:

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

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

Какие метрики производительности следует использовать для оценки моей модели YOLO?

Оценка производительности твоей модели YOLO критически важна для понимания ее эффективности. Ключевые метрики включают Среднюю среднюю точность (mAP), Пересечение над объединением (IoU) и F1-меру. Эти метрики помогают оценить точность и прецизионность задач обнаружения объектов. Ты можешь узнать больше об этих метриках и о том, как улучшить свою модель, в нашем руководстве Метрики производительности YOLO.

Почему мне стоит использовать платформу Ultralytics для моих проектов по компьютерному зрению?

Ultralytics Platform — 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. Узнай больше о ее функциях и о том, как она может упростить твой рабочий процесс, с помощью нашего краткого руководства по Ultralytics Platform.

С какими распространенными проблемами сталкиваются при обучении модели YOLO и как я могу их решить?

Общие проблемы во время обучения моделей YOLO включают ошибки форматирования данных, несоответствия архитектуры модели и недостаточное количество обучающих данных. Чтобы устранить их, убедись, что твой набор данных правильно отформатирован, проверь совместимость версий моделей и дополни свой набор обучающих данных. Полный список решений можно найти в нашем руководстве Общие проблемы YOLO.

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

Развертывание моделей YOLO на граничных устройствах, таких как NVIDIA Jetson и Raspberry Pi, требует конвертации модели в совместимый формат, например, TensorRT или TFLite. Следуй нашим пошаговым руководствам для развертывания на NVIDIA Jetson и Raspberry Pi, чтобы начать работу с обнаружением объектов в реальном времени на граничном оборудовании. Эти руководства проведут тебя через процессы установки, настройки и оптимизации производительности.