Ultralytics YOLO27:
Get Started

Часто задаваемые вопросы (FAQ) об Ultralytics YOLO#

В этом разделе часто задаваемых вопросов собраны ответы на распространённые вопросы и решения проблем, с которыми пользователи могут столкнуться при работе с репозиториями Ultralytics YOLO.

Часто задаваемые вопросы#

  • Ultralytics — компания в области ИИ, специализирующаяся на современных моделях для компьютерного зрения, в том числе для обнаружения объектов и сегментации изображений, с особым вниманием к семейству YOLO (You Only Look Once). Компания предлагает:

  • Нет. YOLO27 проходит заключительный этап исследований и разработок (R&D); ожидается, что запуск состоится позже в этом году, но конкретная дата пока не назначена. В документации представлены предварительные сведения о функциях модели, предварительные результаты тестирования и примеры использования после выпуска. Для текущих проектов продолжай использовать YOLO26.

  • Установить пакет Ultralytics с помощью pip просто:

    pip install ultralytics

    Чтобы установить последнюю версию для разработки, выполни установку непосредственно из репозитория GitHub:

    pip install git+https://github.com/ultralytics/ultralytics.git

    Подробные инструкции по установке приведены в кратком руководстве.

  • Минимальные требования:

    • Python 3.8+
    • PyTorch 1.8+
    • GPU, совместимый с CUDA (для ускорения на GPU)

    Рекомендуемая конфигурация:

    • Python 3.8+
    • PyTorch 1.10+
    • GPU NVIDIA с CUDA 11.2+
    • ОЗУ: 8 ГБ и более
    • Не менее 50 ГБ свободного места на диске (для хранения наборов данных и обучения моделей)

    Решения распространённых проблем смотри на странице «Распространённые проблемы YOLO».

  • Чтобы обучить собственную модель YOLO:

    1. Подготовь набор данных в формате YOLO: изображения и соответствующие файлы меток с расширением txt.

    2. Создай файл YAML с описанием структуры набора данных и классов (см. пример YAML-файла набора данных).

    3. Чтобы начать обучение, используй следующий код на Python:

      from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.yaml")  # создать новую модель с нуля
model = YOLO("yolo26n.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучить модель
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

    Подробное руководство, в котором рассматриваются подготовка данных и расширенные параметры обучения, смотри в руководстве по обучению.

  • Ultralytics предлагает широкий выбор предварительно обученных моделей для разных задач:

    • Обнаружение объектов: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
    • Сегментация экземпляров: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
    • Семантическая сегментация: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
    • Оценка глубины: YOLO26n-depth, YOLO26s-depth, YOLO26m-depth, YOLO26l-depth, YOLO26x-depth
    • Классификация: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
    • Оценка позы: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
    • Обнаружение объектов с ориентацией (OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

    Эти модели различаются размером и сложностью, обеспечивая разные компромиссы между скоростью и точностью. Изучи полный список предварительно обученных моделей, чтобы выбрать подходящую для своего проекта.

  • Чтобы выполнить инференс с обученной моделью:

    from ultralytics import YOLO

# Загрузить модель
model = YOLO("path/to/your/model.pt")

# Выполнить инференс
results = model("path/to/image.jpg")

# Обработать результаты
for r in results:
    print(r.boxes)  # вывести предсказания bbox
    print(r.masks)  # вывести предсказания масок
    print(r.probs)  # вывести вероятности классов

    Дополнительные параметры инференса, включая пакетную обработку и инференс видео, смотри в подробном руководстве по предсказаниям.

  • Конечно! Модели Ultralytics рассчитаны на развертывание на самых разных платформах:

    • Периферийные устройства: оптимизируй инференс на таких устройствах, как NVIDIA Jetson или Raspberry Pi, с помощью TensorRT, ONNX или OpenVINO.
    • Мобильные устройства: развертывай модели на устройствах Android или iOS, преобразовав их в LiteRT или CoreML.
    • Облако: используй такие фреймворки, как TensorFlow Serving или TorchServe, для масштабируемого развертывания в облаке.
    • Web: реализуй инференс в браузере с помощью ONNX Runtime Web.

    Ultralytics предоставляет функции экспорта для преобразования моделей в различные форматы и их развертывания. Изучи широкий выбор вариантов развертывания, чтобы найти лучшее решение для своего сценария использования.

  • Основные различия:

    • Инференс без NMS в сквозном режиме: YOLO26 поддерживает инференс без NMS с помощью nms=False. В стандартном режиме «один ко многим» используется NMS для повышения точности.
    • Удаление DFL: в YOLO26 убран модуль Distribution Focal Loss, что упрощает экспорт и улучшает совместимость с периферийными устройствами и устройствами с низким энергопотреблением.
    • Оптимизатор MuSGD: гибрид SGD и Muon (вдохновлённый моделью Kimi K2 от Moonshot AI), обеспечивающий более стабильное обучение и быструю сходимость.
    • Производительность на CPU: YOLO26n работает на CPU до 43% быстрее YOLO11n при инференсе ONNX (Intel Xeon CPU @ 2.00 GHz), поэтому он идеально подходит для устройств без GPU.
    • Оптимизации для конкретных задач: улучшенная сегментация благодаря семантической функции потерь и прототипам разных масштабов, RLE для точной оценки позы и улучшенное декодирование OBB с функцией потерь угла.
    • Задачи: обе модели поддерживают обнаружение объектов и сегментацию экземпляров, а YOLO26 также поддерживает семантическую сегментацию для плотного попиксельного предсказания и оценку глубины по монокулярному изображению для определения глубины каждого пикселя. Обе модели также поддерживают классификацию, оценку позы и обнаружение объектов с заданной ориентацией (OBB) в рамках единой среды.

    Подробное сравнение возможностей и метрик производительности смотри на странице документации YOLO26.

  • Вклад в Ultralytics — отличный способ улучшить проект и развить свои навыки. Вот как ты можешь присоединиться:

    1. Создай форк репозитория Ultralytics на GitHub.
    2. Создай новую ветку для своей функции или исправления ошибки.
    3. Внеси изменения и убедись, что все тесты проходят.
    4. Отправь pull request с понятным описанием изменений.
    5. Участвуй в проверке кода.

    Ты также можешь сообщать об ошибках, предлагать функции или улучшать документацию. Подробные рекомендации и лучшие практики смотри в руководстве для участников.

  • Ultralytics YOLO предлагает широкий набор возможностей для решения сложных задач компьютерного зрения:

    • Обнаружение в реальном времени: эффективно обнаруживай и классифицируй объекты в режиме реального времени.
    • Поддержка множества задач: выполняй обнаружение объектов, сегментацию экземпляров, семантическую сегментацию, оценку глубины по монокулярному изображению, классификацию, оценку позы и обнаружение объектов с заданной ориентацией (OBB) в рамках единой среды.
    • Предобученные модели: используй различные предобученные модели, которые обеспечивают баланс между скоростью и точностью для разных сценариев использования.
    • Обучение на пользовательских данных: легко дообучай модели на собственных наборах данных с помощью гибкого конвейера обучения.
    • Широкий выбор вариантов развертывания: экспортируй модели в различные форматы, например TensorRT, ONNX и CoreML, для развертывания на разных платформах.
    • Подробная документация: используй исчерпывающую документацию и поддержку сообщества в рабочих процессах компьютерного зрения.

  • Повысить производительность модели YOLO можно с помощью нескольких методов:

    1. Настройка гиперпараметров: экспериментируй с разными гиперпараметрами, следуя руководству по настройке гиперпараметров, чтобы оптимизировать производительность модели.
    2. Аугментация данных: используй такие методы, как отражение, масштабирование, поворот и изменение цвета, чтобы расширить обучающий набор данных и улучшить способность модели к обобщению.
    3. Трансферное обучение: возьми предобученные модели и дообучи их на своём наборе данных, следуя руководству по обучению.
    4. Экспорт в эффективные форматы: преобразуй модель в оптимизированный формат, например TensorRT или ONNX, чтобы ускорить инференс, следуя руководству по экспорту.
    5. Бенчмаркинг: используй режим бенчмаркинга, чтобы систематически измерять и повышать скорость и точность инференса.

  • Ultralytics предлагает множество ресурсов, которые помогут тебе начать работу и освоить инструменты:

    • 📚 Официальная документация: подробные руководства, справочники по API и лучшие практики.
    • 💻 Репозиторий GitHub: исходный код, примеры скриптов и вклад сообщества.
    • ✍️ Блог Ultralytics: подробные статьи, сценарии использования и технические материалы.
    • 💬 Форумы сообщества: общайся с другими пользователями, задавай вопросы и делись опытом.
    • 🎥 YouTube-канал: видеоуроки, демонстрации и вебинары на различные темы, связанные с Ultralytics.

    В этих ресурсах ты найдёшь примеры кода, реальные сценарии использования и пошаговые руководства по различным задачам с моделями Ultralytics.

    Если тебе нужна дополнительная помощь, обратись к документации Ultralytics или свяжись с сообществом через GitHub Issues или официальный форум обсуждений.

Участники
GLglenn-jocher19RAraimbekovm3PDpderrenger2LALaughing-q2BOBovey08091AMambitious-octopus1SEsergiuwaxmann1RIRizwanMunawar1

Комментарии