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 🚀 NEW: Get up and running with Ultralytics YOLO models on Microsoft's Azure Machine Learning platform. 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 YOLO -модели 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: Краткое руководство по развертыванию моделей YOLO на устройствах NVIDIA Jetson.
• DeepStream на NVIDIA Jetson 🚀 NEW: Краткое руководство по развертыванию моделей YOLO на устройствах NVIDIA Jetson с помощью DeepStream и TensorRT.
• Triton Inference Server Integration 🚀 NEW: Dive into integration of Ultralytics YOLOv8 with NVIDIA's Triton Inference Server for scalable and efficient deep learning inference deployments.
• 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 .
• Этапы проекта по компьютерному зрению 🚀 НОВИНКА: Узнай об основных этапах проекта по компьютерному зрению, включая определение целей, выбор моделей, подготовку данных и оценку результатов.
• Defining A Computer Vision Project's Goals 🚀 НОВИНКА: Пройдись по тому, как эффективно определить четкие и измеримые цели для твоего проекта по компьютерному зрению. Узнай о важности хорошо сформулированной постановки задачи и о том, как она создает дорожную карту для твоего проекта.
• Сбор и аннотирование данных 🚀 НОВИНКА: изучи инструменты, техники и лучшие практики сбора и аннотирования данных для создания высококачественных исходных данных для твоих моделей компьютерного зрения.
• Предварительная обработка аннотированных данных 🚀 НОВИНКА: Узнай о предварительной обработке и дополнении данных изображений в проектах по компьютерному зрению с помощью YOLOv8, включая нормализацию, увеличение набора данных, разбиение и исследовательский анализ данных (EDA).
• Советы по обучению моделей 🚀 НОВИНКА: изучи советы по оптимизации размера партии, использованию смешанной точности, применению предварительно обученных весов и многое другое, чтобы сделать обучение твоей модели компьютерного зрения простым делом.
• Ознакомься с оценкой и тонкой настройкой моделей 🚀 НОВИНКА: Познакомься со стратегиями и лучшими практиками оценки и тонкой настройки моделей компьютерного зрения. Узнай об итеративном процессе доработки моделей для достижения оптимальных результатов.
• Руководство по тестированию моделей 🚀 НОВИНКА: Подробное руководство по тестированию твоих моделей компьютерного зрения в реалистичных условиях. Узнай, как проверить точность, надежность и производительность в соответствии с целями проекта.
• Лучшие практики развертывания моделей 🚀 НОВИНКА: Пройдись по советам и лучшим практикам для эффективного развертывания моделей в проектах по компьютерному зрению, уделяя особое внимание оптимизации, устранению неполадок и безопасности.
• Ведение твоей модели компьютерного зрения 🚀 НОВИНКА: Пойми основные методы контроля, ведения и документирования моделей компьютерного зрения, чтобы гарантировать точность, выявлять аномалии и смягчать дрейф данных.
• ROS Quickstart 🚀 НОВИНКА: Узнай, как интегрировать YOLO с Robot Operating System (ROS) для обнаружения объектов в реальном времени в робототехнических приложениях, включая Point Cloud и Depth-изображения.

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 🙏!

ВОПРОСЫ И ОТВЕТЫ

Как обучить пользовательскую модель обнаружения объектов с помощью Ultralytics YOLO ?

Обучение пользовательской модели обнаружения объектов с помощью Ultralytics YOLO очень простое. Начни с подготовки набора данных в нужном формате и установки пакета Ultralytics . Используй следующий код, чтобы начать обучение:

from ultralytics import YOLO

model = YOLO("yolov8s.pt")  # Load a pre-trained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

yolo task=detect mode=train model=yolov8s.pt data=path/to/dataset.yaml epochs=50

О подробном форматировании набора данных и дополнительных опциях читай в нашем руководстве " Советы по обучению модели ".

Какие показатели производительности я должен использовать для оценки своей модели YOLO ?

Оценка производительности твоей модели YOLO очень важна для понимания ее эффективности. Ключевыми метриками являются средняя точность (mAP), пересечение над объединением (IoU) и F1 score. Эти метрики помогают оценить точность и аккуратность задач по обнаружению объектов. Узнать больше об этих метриках и о том, как улучшить свою модель, ты можешь в нашем руководстве по метрикам производительностиYOLO .

Почему я должен использовать Ultralytics HUB для своих проектов по компьютерному зрению?

Ultralytics HUB - 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 идеальной как для новичков, так и для профессионалов. Узнай больше о ее возможностях и о том, как она может оптимизировать твой рабочий процесс, с помощью нашего краткого руководства Ultralytics HUB.

С какими распространенными проблемами сталкиваются во время тренировок модели YOLO и как их решить?

К распространенным проблемам при обучении модели YOLO относятся ошибки форматирования данных, несоответствие архитектуры модели и недостаточное количество тренировочных данных. Чтобы решить эти проблемы, убедись, что твой набор данных правильно отформатирован, проверь совместимость версий моделей и дополни свои тренировочные данные. Полный список решений ты найдешь в нашем руководстве YOLO "Общие проблемы".

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

Развертывание моделей YOLO на пограничных устройствах, таких как NVIDIA Jetson и Raspberry Pi, требует преобразования модели в совместимый формат, например TensorRT или TFLite. Следуй нашим пошаговым руководствам по развертыванию NVIDIA Jetson и Raspberry Pi, чтобы начать работу с обнаружением объектов в реальном времени на краевых устройствах. Эти руководства проведут тебя через установку, настройку и оптимизацию производительности.

Комментарии