YOLO Vision 2026:

Часто задаваемые вопросы (FAQ) по Ultralytics YOLO#

В этом разделе часто задаваемых вопросов рассматриваются распространенные вопросы и проблемы, с которыми пользователи могут столкнуться при работе с репозиториями Ultralytics YOLO.

FAQ#

  • Ultralytics — это компания в сфере computer vision и искусственного интеллекта, специализирующаяся на передовых моделях обнаружения объектов и image segmentation, с упором на семейство YOLO (You Only Look Once). Ее предложения включают:

    • Открытые реализации YOLO26 (последняя) и YOLO11 (предыдущее поколение)
    • Широкий спектр pretrained models для различных задач компьютерного зрения
    • Комплексный Python package для бесшовной интеграции моделей YOLO в проекты
    • Универсальные tools для обучения, тестирования и развертывания моделей
    • Extensive documentation и поддерживающее сообщество

  • Установить пакет Ultralytics очень просто с помощью pip:

    pip install ultralytics

    Чтобы получить последнюю версию для разработки, установи пакет напрямую из репозитория GitHub:

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

    Подробные инструкции по установке можно найти в quickstart guide.

  • Минимальные требования:

    • Python 3.8+
    • PyTorch 1.8+
    • GPU с поддержкой CUDA (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 датасетов и обучения моделей)

    Для устранения распространенных неполадок посетите страницу YOLO Common Issues.

  • Чтобы обучить собственную модель YOLO:

    1. Подготовьте свой датасет в YOLO format (изображения и соответствующие текстовые файлы с разметкой).

    2. Создайте YAML-файл, описывающий структуру вашего датасета и классы (см. dataset YAML example).

    3. Используй следующий код на Python, чтобы начать обучение:

      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)

    Более подробное руководство, включая подготовку данных и расширенные параметры обучения, см. в комплексном training guide.

  • Ultralytics предлагает разнообразный ассортимент предобученных моделей для различных задач:

    • Обнаружение объектов: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
    • Instance Segmentation: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
    • Semantic Segmentation: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
    • Depth Estimation: 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
    • Ориентированное обнаружение (OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

    Эти модели различаются по размеру и сложности, предлагая различные компромиссы между скоростью и accuracy. Изучите полный спектр pretrained models, чтобы найти оптимальный вариант для своего проекта.

  • 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 расширенных возможностей инференса, включая пакетную обработку и инференс на видео, ознакомьтесь с подробным prediction guide.

  • Конечно! Модели Ultralytics разработаны 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 устройствах Android или iOS, конвертируя модели в LiteRT или Core ML.
    • Облако: используйте такие фреймворки, как TensorFlow Serving или PyTorch Serve для масштабируемых облачных развертываний.
    • Веб: реализуй инференс в браузере с помощью LiteRT.js или ONNX.js.

    Ultralytics предоставляет функции экспорта для конвертации моделей в различные форматы для развертывания. Изучите широкий спектр deployment options, чтобы найти лучшее решение для своего сценария использования.

  • Основные отличия включают:

    • End-to-End NMS-Free Inference: YOLO26 является полностью сквозной моделью, выдающей предсказания напрямую без подавления немаксимумов (NMS), что снижает 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 угловой потерей.
    • Задачи: обе модели поддерживают object detection и сегментацию экземпляров, в то время как YOLO26 также добавляет semantic segmentation для плотного предсказания на уровне пикселей и monocular depth estimation для оценки глубины для каждого пикселя. Обе модели также поддерживают классификацию, оценку позы и ориентированное обнаружение объектов (OBB) в рамках единого фреймворка.

    Для углубленного сравнения функций и метрик производительности посетите YOLO26 documentation page.

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

    1. Сделай форк репозитория Ultralytics на GitHub.
    2. Создай новую ветку для своей функции или исправления ошибки.
    3. Внеси свои изменения и убедись, что все тесты проходят успешно.
    4. Отправь пул-реквест (PR) с четким описанием своих изменений.
    5. Прими участие в процессе проверки кода.

    Вы также можете внести свой вклад, сообщая об ошибках, предлагая новые функции или улучшая документацию. Подробные инструкции и лучшие практики см. в contributing guide.

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

    pip install ultralytics

    Чтобы получить самую актуальную версию для разработки, установи пакет напрямую из репозитория GitHub:

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

    Инструкции по установке для конкретных окружений и советы по устранению неполадок см. в комплексном quickstart guide.

  • Ultralytics YOLO обладает богатым набором функций для продвинутых задач компьютерного зрения:

    • Детекция в реальном времени: Эффективное обнаружение и классификация объектов в сценариях реального времени.
    • Многозадачные возможности: выполняйте обнаружение объектов, сегментацию экземпляров, semantic segmentation, monocular depth estimation, классификацию, оценку позы и ориентированное обнаружение объектов (OBB) с помощью единого фреймворка.
    • Предобученные модели: получайте доступ к различным pretrained models, которые обеспечивают баланс скорости и точности для различных сценариев использования.
    • Пользовательское обучение: легко дообучайте модели на кастомных датасетах с помощью гибкого training pipeline.
    • Широкие Deployment Options: экспортируйте модели в различные форматы, такие как TensorRT, ONNX и CoreML, для развертывания на разных платформах.
    • Обширная документация: пользуйтесь преимуществами комплексной documentation и поддерживающего сообщества для ваших рабочих процессов компьютерного зрения.

  • Повышение производительности модели YOLO достигается с помощью нескольких методов:

    1. Hyperparameter Tuning: экспериментируйте с различными гиперпараметрами, используя Hyperparameter Tuning Guide, чтобы оптимизировать производительность модели.
    2. Data Augmentation: внедряйте такие методы, как отражение, масштабирование, поворот и цветокоррекция, чтобы расширить тренировочный датасет и улучшить обобщающую способность модели.
    3. Transfer Learning: используйте предобученные модели и дообучайте их на своем конкретном датасете с помощью Train guide.
    4. Экспорт в эффективные форматы: конвертируйте свою модель в оптимизированные форматы, такие как TensorRT или ONNX, для более быстрого инференса с помощью Export guide.
    5. Бенчмаркинг: используйте Benchmark Mode для систематического измерения и повышения скорости и точности инференса.

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

    • Мобильные устройства: конвертируйте модели в LiteRT или CoreML для плавной интеграции в приложения для Android или iOS. Обратитесь к LiteRT Integration Guide и CoreML Integration Guide за инструкциями для конкретных платформ.
    • Периферийные устройства: оптимизируйте инференс на таких устройствах, как NVIDIA Jetson или другое периферийное железо, с помощью TensorRT или ONNX. В Edge TPU Integration Guide приведены подробные шаги для развертывания на периферии.

    Для получения общего представления о стратегиях развертывания на различных платформах ознакомьтесь с deployment options guide.

  • Выполнить инференс с помощью обученной модели Ultralytics YOLO очень просто:

    1. Загрузка модели:

      from ultralytics import YOLO

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

    2. 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 продвинутых техник инференса, включая пакетную обработку, инференс на видео и пользовательскую предобработку, обратитесь к подробному prediction guide.

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

    • 📚 Official documentation: подробные руководства, справочники по API и лучшие практики.
    • 💻 GitHub repository: исходный код, примеры скриптов и вклад сообщества.
    • ✍️ Ultralytics blog: углубленные статьи, сценарии использования и технические инсайты.
    • 💬 Community forums: общайся с другими пользователями, задавай вопросы и делись своим опытом.
    • 🎥 YouTube channel: видеоуроки, демо и вебинары по различным темам Ultralytics.

    Эти ресурсы содержат примеры кода, реальные сценарии использования и пошаговые руководства для решения различных задач с помощью моделей Ultralytics.

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

Участники
GLglenn-jocher14PDpderrenger2RAraimbekovm2LALaughing-q2BOBovey08091AMambitious-octopus1SEsergiuwaxmann1RIRizwanMunawar1

Комментарии