Перейти к содержимому

Исчерпывающие учебники по Ultralytics YOLO

Добро пожаловать на Ultralytics' YOLO 🚀 Руководства! Наши исчерпывающие руководства охватывают различные аспекты модели обнаружения объектов YOLO , начиная от обучения и предсказания и заканчивая развертыванием. Построенная на базе PyTorch, модель YOLO отличается исключительной скоростью и точностью в задачах обнаружения объектов в реальном времени.

Будь ты новичком или экспертом в глубоком обучении, наши учебники предлагают ценные сведения о внедрении и оптимизации YOLO для твоих проектов по компьютерному зрению. Давай погрузимся!



Смотри: Ultralytics YOLOv8 Обзор гидов

Гиды

Перед тобой подборка подробных гайдов, которые помогут тебе освоить различные аспекты Ultralytics YOLO .

  • YOLO Общие проблемы ⭐ РЕКОМЕНДУЕМ: Практические решения и советы по устранению наиболее часто встречающихся проблем при работе с моделями Ultralytics YOLO .
  • YOLO Метрики производительности ⭐ ЭССЕНЦИАЛ: Пойми ключевые метрики, такие как mAP, IoU и F1 score, используемые для оценки производительности твоих моделей YOLO . Включает практические примеры и советы, как повысить точность и скорость обнаружения.
  • Варианты развертывания моделей: Обзор форматов развертывания моделей YOLO , таких как ONNX, OpenVINO и TensorRT, с плюсами и минусами каждого из них, чтобы определить стратегию развертывания.
  • K-Fold Cross Validation 🚀 НОВИНКА: Узнай, как улучшить обобщение модели с помощью техники K-Fold cross-validation.
  • Настройка гиперпараметров 🚀 НОВИНКА: Узнай, как оптимизировать твои модели YOLO путем тонкой настройки гиперпараметров с помощью класса Tuner и алгоритмов генетической эволюции.
  • SAHI Tiled Inference 🚀 НОВИНКА: Исчерпывающее руководство по использованию возможностей SAHI по нарезке умозаключений с помощью YOLOv8 для обнаружения объектов на изображениях высокого разрешения.
  • AzureML Quickstart 🚀 НОВИНКА: Приступай к работе с моделями Ultralytics YOLO на платформе Microsoft Azure Machine Learning. Узнай, как обучать, разворачивать и масштабировать свои проекты по обнаружению объектов в облаке.
  • Conda Quickstart 🚀 NEW: Пошаговое руководство по настройке среды Conda для Ultralytics. Узнай, как установить и начать эффективно использовать пакет Ultralytics с помощью Conda.
  • Docker Quickstart 🚀 НОВИНКА: Полное руководство по настройке и использованию Ultralytics YOLO моделей с помощью Docker. Узнай, как установить Docker, управлять поддержкой GPU и запускать модели YOLO в изолированных контейнерах для последовательной разработки и развертывания.
  • Raspberry Pi 🚀 NEW: Краткое руководство по запуску моделей YOLO на новейшем оборудовании Raspberry Pi.
  • NVIDIA-Jetson 🚀 NEW: Quickstart guide for deploying YOLO models on NVIDIA Jetson devices.
  • Triton Интеграция с сервером выводов 🚀 НОВИНКА: погрузись в интеграцию Ultralytics YOLOv8 с сервером выводов NVIDIA Triton для масштабируемого и эффективного развертывания серверов выводов глубокого обучения.
  • YOLO Thread-Safe Inference 🚀 NEW: Руководство по выполнению выводов с помощью моделей YOLO в потокобезопасной манере. Узнай о важности безопасности потоков и лучших практиках для предотвращения условий гонки и обеспечения последовательных предсказаний.
  • Изолирование объектов сегментации 🚀 НОВИНКА: 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.
  • Просматривай изображения умозаключений в терминале: Используй встроенный в VSCode терминал для просмотра результатов анализа при использовании сеансов Remote Tunnel или SSH.
  • OpenVINO Latency vs Throughput Modes - изучи методы оптимизации латентности и пропускной способности для достижения пиковой производительности умозаключений YOLO .
  • Steps of a Computer Vision Project 🚀 NEW: Learn about the key steps involved in a computer vision project, including defining goals, selecting models, preparing data, and evaluating results.
  • Defining A Computer Vision Project's Goals 🚀 NEW: Walk through how to effectively define clear and measurable goals for your computer vision project. Learn the importance of a well-defined problem statement and how it creates a roadmap for your project.
  • Data Collection and Annotation 🚀 NEW: Explore the tools, techniques, and best practices for collecting and annotating data to create high-quality inputs for your computer vision models.
  • Preprocessing Annotated Data 🚀 NEW: Learn about preprocessing and augmenting image data in computer vision projects using YOLOv8, including normalization, dataset augmentation, splitting, and exploratory data analysis (EDA).
  • ROS Quickstart 🚀 NEW: Learn how to integrate YOLO with the Robot Operating System (ROS) for real-time object detection in robotics applications, including Point Cloud and Depth images.

Вносите свой вклад в наши гайды

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

Чтобы начать, прочти наше руководство по внесению вклада, где описано, как открыть Pull Request (PR) 🛠️. Мы с нетерпением ждем твоего вклада!

Давай вместе работать над тем, чтобы сделать экосистему Ultralytics YOLO более надежной и универсальной 🙏!



Created 2023-11-12, Updated 2024-06-19
Authors: ambitious-octopus (1), glenn-jocher (10), abirami-vina (2), RizwanMunawar (7), Burhan-Q (3), lakshanthad (1), ouphi (1)

Комментарии