Ultralytics YOLO: часто задаваемые вопросы (FAQ)

Q: What are the system requirements for running Ultralytics models?

Минимальные требования: Рекомендуемая настройка: Для устранения распространенных проблем посетите страницу YOLO Common Issues.

Q: How can I train a custom YOLO model on my own dataset?

Чтобы обучить пользовательскую модель YOLO: Для получения более подробного руководства, включая подготовку данных и расширенные параметры обучения, обратитесь к подробному руководству по обучению.

Q: How do I perform inference using a trained Ultralytics model?

Чтобы выполнить инференс с обученной моделью: Для получения дополнительных параметров инференса, включая пакетную обработку и видеоинференс, ознакомьтесь с подробным руководством по прогнозированию.

Q: What's the difference between YOLOv8 and YOLO11?

Ключевые отличия включают: Для подробного сравнения функций и показателей производительности посетите страницу документации YOLO11.

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

Часто задаваемые вопросы

Что такое Ultralytics и что он предлагает?

Ultralytics — это AI-компания в области компьютерного зрения, специализирующаяся на современных моделях обнаружения объектов и сегментации изображений с акцентом на семейство YOLO (You Only Look Once). Их предложения включают:

Реализации YOLOv8 и YOLO11 с открытым исходным кодом
Широкий спектр предварительно обученных моделей для различных задач компьютерного зрения
Комплексный пакет Python для бесшовной интеграции моделей YOLO в проекты
Универсальные инструменты для обучения, тестирования и развертывания моделей
Обширная документация и отзывчивое сообщество

Как установить пакет Ultralytics?

Установить пакет Ultralytics довольно просто с помощью pip:

pip install ultralytics

Чтобы установить последнюю версию для разработки, установите ее непосредственно из репозитория GitHub:

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

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

Каковы системные требования для запуска моделей Ultralytics?

Минимальные требования:

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

Рекомендуемая настройка:

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

Для устранения распространенных проблем посетите страницу YOLO Common Issues.

Как обучить пользовательскую модель YOLO на моем собственном наборе данных?

Чтобы обучить пользовательскую модель YOLO:

Подготовьте свой набор данных в формате YOLO (изображения и соответствующие текстовые файлы с метками).
Создайте YAML-файл, описывающий структуру и классы вашего набора данных.

Используйте следующий код Python, чтобы начать обучение:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.yaml")  # build a new model from scratch
model = YOLO("yolov8n.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 подробном руководстве по обучению.

Какие предварительно обученные модели доступны в Ultralytics?

Ultralytics предлагает широкий спектр предварительно обученных моделей для различных задач:

Обнаружение объектов: YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x
Сегментация экземпляров: YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
Классификация: YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls
Определение позы: YOLO11n-pose, YOLO11s-pose, YOLO11m-pose, YOLO11l-pose, YOLO11x-pose

Эти модели различаются по размеру и сложности, предлагая различные компромиссы между скоростью и точностью. Изучите весь спектр предварительно обученных моделей, чтобы найти оптимальный вариант для вашего проекта.

Как выполнить логический вывод с использованием обученной модели Ultralytics?

Чтобы выполнить инференс с обученной моделью:

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 опций инференса, включая пакетную обработку и инференс видео, ознакомьтесь с подробным руководством по предсказаниям.

Могут ли модели Ultralytics быть развернуты на периферийных устройствах или в производственной среде?

Безусловно! Модели Ultralytics разработаны для универсального развертывания на различных платформах:

Периферийные устройства: оптимизируйте вывод на таких устройствах, как NVIDIA Jetson или Intel Neural Compute Stick, с помощью TensorRT, ONNX или OpenVINO.
Мобильные устройства: Развертывайте на устройствах Android или iOS, преобразуя модели в TFLite или Core ML.
Облако: Используйте такие фреймворки, как TensorFlow Serving или PyTorch Serve, для масштабируемых облачных развертываний.
Веб: Реализация логического вывода в браузере с использованием ONNX.js или TensorFlow.js.

Ultralytics предоставляет функции экспорта для преобразования моделей в различные форматы для развертывания. Ознакомьтесь с широким спектром вариантов развертывания, чтобы найти лучшее решение для вашего варианта использования.

В чем разница между YOLOv8 и YOLO11?

Ключевые отличия включают:

Архитектура: YOLO11 имеет улучшенную структуру backbone и head для повышения производительности.
Производительность: YOLO11 обычно предлагает более высокую точность и скорость по сравнению с YOLOv8.
Эффективность: YOLO11m достигает более высокого среднего значения Average Precision (mAP) на наборе данных COCO с на 22% меньшим количеством параметров, чем YOLOv8m.
Задачи: Обе модели поддерживают обнаружение объектов, сегментацию экземпляров, классификацию и оценку позы в единой структуре.
Кодовая база: YOLO11 реализована с использованием более модульной и расширяемой архитектуры, что упрощает настройку и расширение.

Для детального сравнения функций и показателей производительности посетите страницу документации YOLO11.

Как я могу внести свой вклад в проект Ultralytics с открытым исходным кодом?

Вклад в Ultralytics - отличный способ улучшить проект и расширить свои навыки. Вот как вы можете принять участие:

Создайте форк репозитория Ultralytics на GitHub.
Создайте новую ветку для вашей функции или исправления ошибки.
Внесите свои изменения и убедитесь, что все тесты пройдены.
Отправьте pull request с четким описанием ваших изменений.
Участвуйте в процессе проверки кода.

Вы также можете внести свой вклад, сообщая об ошибках, предлагая функции или улучшая документацию. Подробные рекомендации и лучшие практики см. в руководстве для участников.

Как установить пакет Ultralytics в Python?

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

pip install ultralytics

Чтобы установить самую современную версию для разработки, установите ее непосредственно из репозитория GitHub:

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

Инструкции по установке и советы по устранению неполадок для конкретной среды см. в подробном руководстве по быстрому старту.

Каковы основные особенности Ultralytics YOLO?

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

Обнаружение в реальном времени: Эффективное обнаружение и классификация объектов в сценариях реального времени.
Многозадачные возможности: Выполняйте обнаружение объектов, сегментацию экземпляров, классификацию и оценку позы с помощью унифицированной платформы.
Предварительно обученные модели: получите доступ к различным предварительно обученным моделям, которые обеспечивают баланс между скоростью и точностью для различных вариантов использования.
Пользовательское обучение: Легкая донастройка моделей на пользовательских наборах данных с помощью гибкого конвейера обучения.
Широкие возможности развертывания: Экспортируйте модели в различные форматы, такие как TensorRT, ONNX и CoreML, для развертывания на различных платформах.
Обширная документация: Воспользуйтесь преимуществами всесторонней документации и отзывчивого сообщества, которые помогут вам на пути к освоению компьютерного зрения.

Как я могу улучшить производительность моей модели YOLO?

Повышения производительности вашей модели YOLO можно достичь с помощью нескольких методов:

Настройка гиперпараметров: экспериментируйте с различными гиперпараметрами, используя Руководство по настройке гиперпараметров, чтобы оптимизировать производительность модели.
Аугментация данных: применяйте такие методы, как отражение, масштабирование, поворот и цветокоррекция, чтобы улучшить свой обучающий набор данных и повысить обобщающую способность модели.
Transfer Learning (Перенос обучения): Используйте предварительно обученные модели и дообучите их на вашем конкретном наборе данных, используя руководство по обучению.
Экспорт в эффективные форматы: Преобразуйте свою модель в оптимизированные форматы, такие как TensorRT или ONNX, для более быстрого вывода, используя руководство по экспорту.
Оценка производительности: Используйте Режим оценки производительности для систематического измерения и улучшения скорости и точности инференса.

Могу ли я развернуть модели Ultralytics YOLO на мобильных и периферийных устройствах?

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

Мобильные устройства: Преобразуйте модели в TFLite или CoreML для плавной интеграции в приложения Android или iOS. Обратитесь к Руководству по интеграции TFLite и Руководству по интеграции CoreML для получения инструкций, специфичных для платформы.
Периферийные устройства: оптимизируйте вывод на таких устройствах, как NVIDIA Jetson или другом периферийном оборудовании, с помощью TensorRT или ONNX. В Руководстве по интеграции Edge TPU представлены подробные инструкции по развертыванию на периферии.

Для получения исчерпывающего обзора стратегий развертывания на различных платформах обратитесь к руководству по вариантам развертывания.

Как я могу выполнить вывод, используя обученную модель Ultralytics YOLO?

Выполнение инференса с обученной моделью Ultralytics YOLO выполняется просто:

Загрузка модели:

from ultralytics import YOLO

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

Запуск Inference:

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 методов инференса, включая пакетную обработку, инференс видео и пользовательскую предварительную обработку, обратитесь к подробному руководству по предсказаниям.

Где я могу найти примеры и учебные пособия по использованию Ultralytics?

Ultralytics предоставляет множество ресурсов, которые помогут вам начать работу и освоить наши инструменты:

📚 Официальная документация: Подробные руководства, справочники по API и лучшие практики.
💻 Репозиторий GitHub: Исходный код, примеры скриптов и вклад сообщества.
✍️ Блог Ultralytics: Подробные статьи, примеры использования и технические обзоры.
💬 Форумы сообщества: Общайтесь с другими пользователями, задавайте вопросы и делитесь своим опытом.
🎥 YouTube-канал: Видеоуроки, демонстрации и вебинары по различным темам Ultralytics.

Эти ресурсы предоставляют примеры кода, варианты использования в реальных условиях и пошаговые руководства для различных задач с использованием моделей Ultralytics.

Если вам нужна дополнительная помощь, не стесняйтесь обращаться к документации Ultralytics или обращаться к сообществу через GitHub Issues или официальный форум обсуждений.

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад