Link to this sectionЧасто задаваемые вопросы (FAQ) по Ultralytics YOLO#

Q: Каковы системные требования для запуска моделей Ultralytics?

Минимальные требования: - Python 3.8+ - PyTorch 1.8+ - CUDA-совместимый GPU (для ускорения на GPU) Рекомендуемая конфигурация: - Python 3.8+ - PyTorch 1.10+ - NVIDIA GPU с CUDA 11.2+ - 8 ГБ+ ОЗУ - 50 ГБ+ свободного места на диске (для хранения наборов данных и обучения моделей) Для решения распространенных проблем посети страницу Общие проблемы YOLO.

Q: Как обучить собственную модель YOLO на моем наборе данных?

Чтобы обучить собственную модель YOLO: 1. Подготовь свой набор данных в формате YOLO (изображения и соответствующие текстовые файлы с метками). 2. Создай YAML-файл, описывающий структуру твоего набора данных и классы (смотри пример YAML-файла набора данных). 3. Используй следующий код на Python для начала обучения: Для более глубокого руководства, включая подготовку данных и расширенные параметры обучения, обратись к полному руководству по обучению.

В этом разделе FAQ рассматриваются распространенные вопросы и проблемы, с которыми ты можешь столкнуться при работе с репозиториями Ultralytics YOLO.

Link to this sectionFAQ#

Link to this sectionЧто такое Ultralytics и что компания предлагает?#

Ultralytics — это ИИ-компания в сфере компьютерного зрения, специализирующаяся на передовых моделях обнаружения объектов и сегментации изображений, с фокусом на семейство YOLO (You Only Look Once). Их предложения включают:

Реализации с открытым исходным кодом YOLO26 (последняя версия) и YOLO11 (предыдущее поколение)
Широкий спектр предобученных моделей для различных задач компьютерного зрения
Комплексный Python-пакет для бесшовной интеграции моделей YOLO в твои проекты
Универсальные инструменты для обучения, тестирования и развертывания моделей
Обширная документация и поддержка сообщества

Link to this sectionКак установить пакет Ultralytics?#

Установить пакет Ultralytics очень просто с помощью pip:

pip install ultralytics

Для получения последней версии разработки установи пакет напрямую из репозитория GitHub:

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

Подробные инструкции по установке можно найти в руководстве по быстрому старту.

Link to this sectionКаковы системные требования для запуска моделей Ultralytics?#

Минимальные требования:

Python 3.8+
PyTorch 1.8+
CUDA-совместимый GPU (для ускорения на GPU)

Рекомендуемая конфигурация:

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

Для решения распространенных проблем посети страницу Общие проблемы YOLO.

Link to this sectionКак обучить собственную модель YOLO на моем наборе данных?#

Чтобы обучить собственную модель YOLO:

Подготовь свой набор данных в формате YOLO (изображения и соответствующие текстовые файлы с метками).
Создай YAML-файл, описывающий структуру твоего набора данных и классы (смотри пример YAML-файла набора данных).

Используй следующий код на Python для начала обучения:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from scratch
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

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

Для более глубокого руководства, включая подготовку данных и расширенные параметры обучения, обратись к полному руководству по обучению.

Link to this sectionКакие предобученные модели доступны в Ultralytics?#

Ultralytics предлагает широкий спектр предобученных моделей для различных 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
Классификация: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
Оценка позы: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
Ориентированное обнаружение (OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

Эти модели различаются по размеру и сложности, предлагая разные компромиссы между скоростью и точностью. Изучи полный ассортимент предобученных моделей, чтобы найти вариант, наилучшим образом подходящий для твоего проекта.

Link to this sectionКак выполнить инференс с помощью обученной модели Ultralytics?#

Чтобы выполнить инференс с помощью обученной модели:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Для получения информации о расширенных возможностях инференса, включая пакетную обработку и инференс на видео, ознакомься с подробным руководством по предсказанию.

Link to this sectionМожно ли развертывать модели Ultralytics на периферийных устройствах или в производственных средах?#

Безусловно! Модели Ultralytics спроектированы для гибкого развертывания на различных платформах:

Периферийные устройства: оптимизируй инференс на устройствах типа NVIDIA Jetson или Intel Neural Compute Stick с помощью TensorRT, ONNX или OpenVINO.
Мобильные устройства: развертывай на Android или iOS, преобразуя модели в TFLite или Core ML.
Облако: используй такие фреймворки, как TensorFlow Serving или PyTorch Serve для масштабируемых облачных развертываний.
Веб: реализуй инференс в браузере с помощью ONNX.js или TensorFlow.js.

Ultralytics предоставляет функции экспорта для конвертации моделей в различные форматы для развертывания. Изучи широкий спектр вариантов развертывания, чтобы найти лучшее решение для твоей задачи.

Link to this sectionВ чем разница между YOLO11 и YOLO26?#

Основные различия включают:

Сквозной инференс без NMS: YOLO26 изначально является сквозным решением, выдающим предсказания напрямую без подавления немаксимумов (NMS), что уменьшает задержку и упрощает развертывание.
Удаление DFL: YOLO26 удаляет модуль Distribution Focal Loss, что упрощает экспорт и улучшает совместимость с периферийными и маломощными устройствами.
Оптимизатор MuSGD: гибрид SGD и Muon (вдохновленный Kimi K2 от Moonshot AI) для более стабильного обучения и быстрой сходимости.
Производительность на CPU: YOLO26 обеспечивает до 43% более быстрый инференс на CPU, что делает его идеальным для устройств без GPU.
Оптимизации под конкретные задачи: улучшенная сегментация с семантической потерей и многомасштабными прототипами, RLE для точной оценки позы и улучшенное декодирование OBB с использованием функции потерь угла.
Задачи: обе модели поддерживают обнаружение объектов и сегментацию экземпляров, в то время как YOLO26 также добавляет семантическую сегментацию для плотного попиксельного предсказания. Обе модели также поддерживают классификацию, оценку позы и ориентированное обнаружение объектов (OBB) в рамках единой структуры.

Для углубленного сравнения функций и метрик производительности посети страницу документации YOLO26.

Link to this sectionКак я могу внести вклад в open-source проект Ultralytics?#

Вклад в развитие Ultralytics — отличный способ улучшить проект и расширить свои навыки. Вот как ты можешь принять участие:

Сделай форк репозитория Ultralytics на GitHub.
Создай новую ветку для своей функции или исправления ошибки.
Внеси изменения и убедись, что все тесты проходят успешно.
Отправь pull request с четким описанием своих изменений.
Участвуй в процессе рецензирования кода.

Ты также можешь помочь, сообщая об ошибках, предлагая функции или улучшая документацию. Подробные рекомендации и лучшие практики описаны в руководстве для контрибьюторов.

Link to this sectionКак установить пакет Ultralytics в Python?#

Установить пакет Ultralytics в Python просто. Используй pip, выполнив следующую команду в терминале или командной строке:

pip install ultralytics

Для получения новейшей версии разработки установи пакет напрямую из репозитория GitHub:

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

Для получения инструкций по установке, специфичных для среды, и советов по устранению неполадок ознакомься с полным руководством по быстрому старту.

Link to this sectionКаковы основные функции Ultralytics YOLO?#

Ultralytics YOLO может похвастаться богатым набором функций для сложных задач компьютерного зрения:

Детекция в реальном времени: эффективное обнаружение и классификация объектов в сценариях реального времени.
Многозадачность: выполняй обнаружение объектов, сегментацию экземпляров, семантическую сегментацию, классификацию, оценку позы и ориентированное обнаружение объектов (OBB) в рамках единой структуры.
Предобученные модели: получи доступ к разнообразным предобученным моделям, которые балансируют между скоростью и точностью для различных вариантов использования.
Обучение на своих данных: легко настраивай модели на собственных наборах данных с помощью гибкого конвейера обучения.
Широкие варианты развертывания: экспортируй модели в различные форматы, такие как TensorRT, ONNX и CoreML, для развертывания на разных платформах.
Обширная документация: воспользуйся комплексной документацией и поддержкой сообщества для своих задач в области компьютерного зрения.

Link to this sectionКак я могу улучшить производительность своей модели YOLO?#

Повысить производительность своей модели YOLO можно с помощью нескольких методов:

Настройка гиперпараметров: экспериментируй с различными гиперпараметрами, используя Руководство по настройке гиперпараметров для оптимизации производительности модели.
Аугментация данных: внедряй методы, такие как отражение, масштабирование, поворот и цветовая коррекция, чтобы расширить обучающий набор данных и улучшить обобщающую способность модели.
Transfer Learning (обучение с переносом): используй предобученные модели и дообучай их на своем конкретном наборе данных с помощью Руководства по обучению.
Экспорт в эффективные форматы: преобразуй свою модель в оптимизированные форматы, такие как TensorRT или ONNX, для более быстрого инференса с помощью Руководства по экспорту.
Бенчмаркинг: используй Режим тестирования для систематического измерения и улучшения скорости и точности инференса.

Link to this sectionМогу ли я развертывать модели Ultralytics YOLO на мобильных и периферийных устройствах?#

Да, модели Ultralytics YOLO разработаны для универсального развертывания, включая мобильные и периферийные устройства:

Мобильные устройства: конвертируй модели в TFLite или CoreML для бесшовной интеграции в приложения для Android или iOS. Обратись к Руководству по интеграции TFLite и Руководству по интеграции CoreML для получения инструкций, специфичных для каждой платформы.
Периферийные устройства: оптимизируй инференс на устройствах, таких как NVIDIA Jetson или другое оборудование, используя TensorRT или ONNX. Руководство по интеграции Edge TPU содержит подробные шаги для развертывания на периферии.

Для получения полного обзора стратегий развертывания на различных платформах ознакомься с руководством по вариантам развертывания.

Link to this sectionКак выполнить инференс с помощью обученной модели Ultralytics YOLO?#

Выполнить инференс с помощью обученной модели Ultralytics YOLO очень просто:

Загрузка модели:

from ultralytics import YOLO

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

Запуск инференса:

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

for r in results:
    print(r.boxes)  # print bounding box predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Для ознакомления с расширенными методами инференса, включая пакетную обработку, инференс на видео и пользовательскую предобработку, обратись к подробному руководству по предсказанию.

Link to this sectionГде я могу найти примеры и обучающие руководства по использованию Ultralytics?#

Ultralytics предоставляет огромное количество ресурсов, которые помогут тебе начать работу и освоить их инструменты:

📚 Официальная документация: подробные руководства, справочники API и лучшие практики.
💻 Репозиторий GitHub: исходный код, примеры скриптов и вклад сообщества.
✍️ Блог Ultralytics: углубленные статьи, варианты использования и технические инсайты.
💬 Форумы сообщества: общайся с другими пользователями, задавай вопросы и делись своим опытом.
🎥 YouTube-канал: видеоуроки, демонстрации и вебинары по различным темам Ultralytics.

Эти ресурсы содержат примеры кода, сценарии использования в реальных задачах и пошаговые руководства по выполнению различных задач с помощью моделей Ultralytics.

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

Авторы

GLglenn-jocher¹³ LALaughing-q² RAraimbekovm¹ SEsergiuwaxmann¹ PDpderrenger¹ RIRizwanMunawar¹

Создано 12 нояб. 2023 г.Обновлено 2 недели назад