Link to this sectionПолные руководства по Ultralytics YOLO#

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

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

Link to this sectionРуководства#

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

• Быстрый старт в AzureML: Начни работу с моделями Ultralytics YOLO на платформе машинного обучения от Microsoft Azure. Узнай, как обучать, развертывать и масштабировать свои проекты по обнаружению объектов в облаке.
• Лучшие практики развертывания моделей: Изучи советы и лучшие практики по эффективному развертыванию моделей в проектах компьютерного зрения с акцентом на оптимизацию, устранение неполадок и безопасность.
• Преобразование COCO в YOLO: Полное руководство по конвертации аннотаций COCO JSON в формат YOLO для обучения. Охватывает обнаружение, сегментацию и ключевые точки, включая сопоставление ID классов и частые ошибки при преобразовании.
• Обучение на COCO JSON: Обучай YOLO напрямую на аннотациях COCO JSON без преобразования в формат YOLO, используя собственный класс набора данных и трейнер.
• Быстрый старт с Conda: Пошаговое руководство по настройке окружения Conda для Ultralytics. Узнай, как эффективно установить и начать использовать пакет Ultralytics с помощью Conda.
• Настройка трейнера: Узнай, как создавать подклассы трейнера YOLO для ведения логов пользовательских метрик, добавления функции потерь с весами классов, настройки сохранения моделей, заморозки/разморозки бэкбона и установки скорости обучения для каждого слоя.
• Сбор данных и аннотирование: Изучи инструменты, техники и лучшие практики сбора и аннотирования данных для создания высококачественных входных данных для твоих 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: Пройди по шагам, 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.
• Быстрый старт с Docker: Полное руководство по настройке и использованию моделей Ultralytics YOLO с Docker. Узнай, 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 инференс YOLO на Raspberry Pi.
• End-to-End обнаружение: Узнай об NMS-free end-to-end обнаружении в YOLO26, совместимости экспорта, изменениях формата вывода и о том, как мигрировать со старых моделей YOLO.
• Экспорт моделей не YOLO: Используй автономные утилиты экспорта Ultralytics для конвертации любого модуля torch.nn.Module (timm, torchvision, пользовательского) в ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch и TensorFlow SavedModel.
• Тонкая настройка YOLO на пользовательских данных: Полное руководство по тонкой настройке YOLO26 на пользовательских наборах данных с использованием предобученных весов, включая перенос обучения, 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 алгоритмов генетической эволюции.
• Аналитика по оценке и дообучению моделей: оценивай модели компьютерного зрения с помощью таких метрик, как mAP и IoU, а затем дообучай параметры обучения, например прогрев learning-rate, чтобы повысить точность обнаружения.
• Изоляция объектов сегментации: Пошаговое руководство и объяснение того, как извлекать и/или изолировать объекты из изображений с использованием сегментации Ultralytics.
• K-Fold кросс-валидация: Узнай, как улучшить обобщающую способность модели с помощью техники K-Fold кросс-валидации.
• Knowledge Distillation: Узнай, как повысить производительность модели путем переноса знаний от более крупной модели-учителя к меньшей модели-ученику с помощью дистилляции на основе признаков.
• Обслуживание модели компьютерного зрения: Пойми ключевые практики мониторинга, обслуживания и документирования моделей компьютерного зрения, чтобы гарантировать точность, обнаруживать аномалии и снижать дрейф данных.
• Варианты развертывания моделей: Обзор форматов развертывания моделей YOLO, таких как ONNX, OpenVINO и TensorRT, с плюсами и минусами каждого для определения стратегии развертывания.
• Тестирование моделей: Узнай, как тестировать модели компьютерного зрения на новых данных, проверять модели YOLO26 и выявлять переобучение, недообучение и утечку данных перед развертыванием.
• Руководство по YAML конфигурации моделей: Полное погружение в определения архитектуры моделей Ultralytics. Изучи формат YAML, систему разрешения модулей и узнай, как бесшовно интегрировать собственные модули.
• NVIDIA DALI GPU препроцессинг: Устрани узкие места препроцессинга CPU, запуская изменение размера letterbox, дополнение и нормализацию YOLO на GPU с помощью NVIDIA DALI с интеграцией Triton Inference Server.
• NVIDIA DGX Spark: Руководство по быстрому старту для развертывания моделей YOLO на устройствах NVIDIA DGX Spark.
• NVIDIA Jetson: Руководство по быстрому старту для развертывания моделей YOLO на устройствах NVIDIA Jetson.
• OpenVINO: режимы задержки против пропускной способности: Изучи методы оптимизации задержки и пропускной способности для достижения пиковой производительности инференса YOLO.
• Предварительная обработка аннотированных данных: изучи предварительную обработку данных для компьютерного зрения с помощью YOLO26, включая изменение размера изображений, нормализацию, разделение датасета, аугментацию данных и разведочный анализ данных (EDA).
• Raspberry Pi: Учебное пособие по быстрому старту для запуска моделей YOLO на новейшем оборудовании Raspberry Pi.
• Быстрый старт ROS: Узнай, как интегрировать YOLO с Robot Operating System (ROS) для обнаружения объектов в реальном времени в робототехнических приложениях, включая облака точек и карты глубины.
• SAHI тайловый инференс: Полное руководство по использованию возможностей нарезанного инференса SAHI с YOLO26 для обнаружения объектов на изображениях высокого разрешения.
• Шаги проекта компьютерного зрения: Узнай об основных этапах проекта компьютерного зрения, включая определение целей, выбор моделей, подготовку данных и оценку результатов.
• Советы по обучению моделей: Изучи советы по оптимизации размеров батчей, использованию смешанной точности, применению предобученных весов и многому другому, чтобы упростить обучение твоей модели компьютерного зрения.
• Интеграция Triton Inference Server: Погрузись в интеграцию Ultralytics YOLO26 с Triton Inference Server от NVIDIA для масштабируемых и эффективных развертываний инференса глубокого обучения.
• Развертывание в Vertex AI с Docker: Упрощенное руководство по контейнеризации моделей YOLO с помощью Docker и их развертыванию на Google Cloud Vertex AI — охватывает сборку, отправку, автомасштабирование и мониторинг.
• Просмотр изображений инференса в терминале: Используй встроенный терминал VSCode для просмотра результатов инференса при использовании удаленного туннеля или сессий SSH.
• Рецепт обучения YOLO26: Полная документация гиперпараметров, пайплайнов аугментации и настроек оптимизатора, используемых для обучения официальных базовых чекпоинтов YOLO26 на COCO, с практическими советами по тонкой настройке.
• Общие проблемы YOLO ⭐ РЕКОМЕНДУЕМО: Практические решения и советы по устранению наиболее часто встречающихся проблем при работе с моделями Ultralytics YOLO.
• Аугментация данных YOLO: Освой полный спектр методов аугментации данных в YOLO, от базовых трансформаций до продвинутых стратегий повышения надежности и производительности модели.
• Метрики производительности YOLO ⭐ ВАЖНО: Пойми ключевые метрики, такие как mAP, IoU и F1-score, используемые для оценки производительности твоих моделей YOLO. Включает практические примеры и советы по повышению точности и скорости обнаружения.
• Потокобезопасный инференс YOLO: Рекомендации по выполнению инференса с моделями YOLO потокобезопасным способом. Узнай о важности потокобезопасности и лучших практиках предотвращения состояний гонки и обеспечения стабильных прогнозов.

Link to this sectionВнеси свой вклад в наши руководства#

Мы приветствуем вклад сообщества! Если ты освоил определенный аспект Ultralytics YOLO, который еще не освещен в наших руководствах, мы призываем тебя поделиться своим опытом. Написание руководства — это отличный способ отблагодарить сообщество и помочь нам сделать нашу документацию более полной и удобной для пользователей.

Чтобы начать, пожалуйста, ознакомься с нашим Руководством по участию для получения инструкций о том, как открыть Pull Request (PR). Мы с нетерпением ждем твоего вклада.

Link to this sectionFAQ#

Link to this sectionКак мне обучить пользовательскую модель обнаружения объектов с помощью Ultralytics YOLO?#

Обучение пользовательской модели обнаружения объектов с Ultralytics YOLO выполняется 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 набора данных и дополнительных опциях обратись к нашему руководству Советы по обучению моделей.

Link to this sectionКакие метрики производительности мне использовать для оценки моей модели YOLO?#

Оценка производительности твоей модели YOLO критически важна для понимания ее эффективности. Основные метрики включают Mean Average Precision (mAP), Intersection over Union (IoU) и F1-score. Эти метрики помогают оценить точность и precision задач обнаружения объектов. Ты можешь узнать больше об этих метриках и о том, как улучшить свою модель, в нашем руководстве Метрики производительности YOLO.

Link to this sectionПочему мне стоит использовать Ultralytics Platform для моих проектов компьютерного зрения?#

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 поможет оптимизировать твой рабочий процесс, с помощью нашего руководства по началу работы с Ultralytics Platform.

Link to this sectionКакие общие проблемы возникают во время обучения модели YOLO и как я могу их решить?#

Общие проблемы при обучении модели YOLO включают ошибки форматирования данных, несовпадение архитектур моделей и недостаточность обучающих данных. Чтобы их решить, убедись, что твой набор данных правильно отформатирован, проверь совместимость версий модели и добавь больше обучающих данных. Полный список решений смотри в нашем руководстве Общие проблемы YOLO.

Link to this sectionКак я могу развернуть свою модель YOLO для обнаружения объектов в реальном времени на граничных устройствах?#

Развертывание моделей YOLO на периферийных устройствах, таких как NVIDIA Jetson и Raspberry Pi, требует конвертации модели в совместимый формат, например TensorRT или LiteRT. Следуй 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 помогут тебе пройти через этапы установки, настройки и оптимизации производительности.