Исчерпывающие учебники по Ultralytics YOLO

Q: What are the common issues faced during YOLO model training, and how can I resolve them?

К числу распространенных проблем при обучении модели YOLO относятся ошибки форматирования данных, несоответствие архитектуры модели и недостаточное количество данных для обучения. Чтобы решить эти проблемы, убедитесь, что ваш набор данных правильно отформатирован, проверьте совместимость версий моделей и дополните ваши тренировочные данные. Полный список решений см. в нашем руководстве по общим проблемам YOLO .

Добро пожаловать на сайт Ultralytics' YOLO 🚀 Руководства! Наши подробные руководства охватывают различные аспекты моделиобнаружения объектов YOLO , начиная с обучения и прогнозирования и заканчивая развертыванием. Построенная на PyTorchYOLO отличается исключительной скоростью и точностью в задачах обнаружения объектов в реальном времени.

Независимо от того, являетесь ли вы новичком или экспертом в области глубокого обучения, наши учебные пособия предлагают ценные сведения о реализации и оптимизации YOLO для ваших проектов в области компьютерного зрения. Давайте погрузимся!

Смотреть: Ultralytics YOLO11 Обзор путеводителей

Гиды

Здесь собраны подробные руководства, которые помогут вам 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: Понимание ключевых метрик, таких как mAP, IoU и F1 score, используемых для оценки эффективности ваших моделей YOLO . Включает практические примеры и советы по повышению точности и скорости обнаружения.
Варианты развертывания моделей: Обзор форматовразвертывания моделей YOLO , таких как ONNX, OpenVINO и TensorRT, с указанием плюсов и минусов каждого из них для определения стратегии развертывания.
K-Fold Cross Validation 🚀 НОВИНКА: Узнайте, как улучшить обобщение модели с помощью техники K-Fold cross-validation.
Настройка гиперпараметров 🚀 НОВИНКА: Узнайте, как оптимизировать ваши модели YOLO путем точной настройки гиперпараметров с помощью класса Tuner и алгоритмов генетической эволюции.
SAHI Tiled Inference 🚀 НОВИНКА: Исчерпывающее руководство по использованию возможностей SAHI по нарезке выводов с YOLO11 для обнаружения объектов на изображениях высокого разрешения.
MicrosoftAzureML Quickstart 🚀 НОВИНКА: Приступайте к работе с моделями Ultralytics YOLO на платформе машинного обучения Azure. Узнайте, как обучать, развертывать и масштабировать свои проекты по обнаружению объектов в облаке.
Conda Quickstart 🚀 NEW: Пошаговое руководство по настройке среды Conda для Ultralytics. Узнайте, 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. Узнайте, 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: Руководство по быстрому запуску для развертывания 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 Интеграция с сервером выводов 🚀 НОВИНКА: погрузитесь в интеграцию Ultralytics YOLO11 с NVIDIA's Triton Inference Server для масштабируемого и эффективного развертывания серверов выводов глубокого обучения.
YOLO Thread-Safe Inference 🚀 НОВИНКА: Руководство по выполнению выводов с помощью моделей YOLO безопасным для потоков способом. Узнайте о важности безопасности потоков и лучших практиках для предотвращения условий гонки и обеспечения согласованных предсказаний.
Изолирование объектов сегментации 🚀 НОВИНКА: Пошаговый рецепт и объяснение того, как извлекать и/или изолировать объекты из изображений с помощью сегментации Ultralytics .
Edge TPU на Raspberry Pi: Google Edge TPU ускоряет вывод YOLO на Raspberry Pi.
Просматривайте изображения результатов в терминале: Используйте встроенный терминал VSCode для просмотра результатов анализа при использовании сеансов Remote Tunnel или SSH.
OpenVINO Режимы задержки и пропускной способности - изучите методы оптимизации задержки и пропускной способности для достижения максимальной производительности при выводе данных YOLO .
Этапы проекта по компьютерному зрению 🚀 НОВИНКА: Узнайте о ключевых этапах проекта по компьютерному зрению, включая определение целей, выбор моделей, подготовку данных и оценку результатов.
Определение целей проекта компьютерного зрения 🚀 НОВИНКА: Узнайте, как эффективно определить четкие и измеримые цели для проекта компьютерного зрения. Узнайте о важности четко сформулированной постановки задачи и о том, как она создает дорожную карту для вашего проекта.
Сбор и аннотирование данных 🚀 НОВИНКА: Изучите инструменты, методы и лучшие практики сбора и аннотирования данных для создания высококачественных исходных данных для моделей компьютерного зрения.
Предварительная обработка аннотированных данных 🚀 НОВИНКА: Узнайте о предварительной обработке и расширении данных изображений в проектах по компьютерному зрению с помощью YOLO11, включая нормализацию, расширение набора данных, разбиение и исследовательский анализ данных (EDA).
Советы по обучению моделей 🚀 НОВИНКА: изучите советы по оптимизации размера партии, использованию смешанной точности, применению предварительно обученных весов и многое другое, чтобы сделать обучение модели компьютерного зрения простым делом.
Оценка и тонкая настройка моделей 🚀 НОВИНКА: Получите представление о стратегиях и лучших практиках оценки и тонкой настройки моделей компьютерного зрения. Узнайте об итеративном процессе совершенствования моделей для достижения оптимальных результатов.
Руководство по тестированию моделей 🚀 НОВИНКА: Подробное руководство по тестированию моделей компьютерного зрения в реальных условиях. Узнайте, как проверить точность, надежность и производительность в соответствии с целями проекта.
Лучшие практики развертывания моделей 🚀 НОВИНКА: Пройдитесь по советам и лучшим практикам для эффективного развертывания моделей в проектах по компьютерному зрению, уделяя особое внимание оптимизации, устранению неполадок и безопасности.
Ведение модели компьютерного зрения 🚀 НОВИНКА: Узнайте о ключевых практиках мониторинга, ведения и документирования моделей компьютерного зрения, чтобы гарантировать точность, выявлять аномалии и смягчать дрейф данных.
ROS Quickstart 🚀 НОВИНКА: Узнайте, как интегрировать YOLO с операционной системой для роботов (ROS) для обнаружения объектов в реальном времени в робототехнических приложениях, включая облака точек и изображения глубины.

Вносите свой вклад в наши путеводители

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

Для начала ознакомьтесь с нашим руководством по внесению вклада, чтобы узнать, как открыть Pull Request (PR) 🛠️. Мы с нетерпением ждем вашего вклада!

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

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как обучить пользовательскую модель обнаружения объектов с помощью Ultralytics YOLO ?

Обучение пользовательской модели обнаружения объектов с помощью Ultralytics YOLO очень простое. Начните с подготовки набора данных в нужном формате и установки пакета Ultralytics . Для начала обучения используйте следующий код:

Пример

PythonCLI

from ultralytics import YOLO

model = YOLO("yolo11n.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=yolo11n.pt data=path/to/dataset.yaml epochs=50

Подробные сведения о форматировании наборов данных и дополнительных опциях см. в нашем руководстве "Советы по обучению модели".

Какие показатели производительности следует использовать для оценки модели YOLO ?

Оценка эффективности модели YOLO имеет решающее значение для понимания ее эффективности. Ключевыми метриками являются средняя точность (mAP), пересечение над объединением (IoU) и оценка F1. Эти метрики помогают оценить точность и достоверность задач обнаружения объектов. Подробнее об этих показателях и о том, как улучшить свою модель, вы можете узнать из нашего руководства YOLO по метрикам производительности.

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. Узнайте больше о ее возможностях и о том, как она может оптимизировать ваш рабочий процесс, с помощью нашего краткого руководства по использованию Ultralytics HUB.

С какими проблемами обычно сталкиваются во время обучения по модели YOLO и как их решить?

К числу распространенных проблем при обучении моделей YOLO относятся ошибки форматирования данных, несоответствие архитектуры модели и недостаточное количество данных для обучения. Чтобы решить эти проблемы, убедитесь, что ваш набор данных правильно отформатирован, проверьте совместимость версий моделей и дополните ваши тренировочные данные. Полный список решений см. в нашем руководстве по общим проблемамYOLO .

Как развернуть 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. Следуйте нашим пошаговым руководствам по развертыванию NVIDIA Jetson и Raspberry Pi, чтобы начать работу с обнаружением объектов в реальном времени на граничных устройствах. В этих руководствах вы пройдете через установку, настройку и оптимизацию производительности.

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад