Перейти к содержанию

Ultralytics YOLO Часто задаваемые вопросы (FAQ)

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

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое Ultralytics и что он предлагает?

Ultralytics компания, специализирующаяся на разработке современных моделей обнаружения объектов и сегментации изображений с помощью компьютерного зрения, в первую очередь семейства YOLO (You Only Look Once). Их предложения включают:

Как установить пакет Ultralytics ?

Установка пакета Ultralytics осуществляется с помощью pip:

pip install ultralytics

Чтобы получить последнюю версию разработки, установите ее прямо из репозитория GitHub:

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

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

Каковы системные требования для запуска моделей Ultralytics ?

Минимальные требования:

  • Python 3.7+
  • PyTorch 1.7+
  • CUDA-совместимый GPU (для ускорения GPU )

Рекомендуемая установка:

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

Для устранения распространенных проблем посетите страницу YOLO Common Issues.

Как обучить пользовательскую модель YOLO11 на собственном наборе данных?

Чтобы обучить пользовательскую модель YOLO11 :

  1. Подготовьте набор данных в формате YOLO (изображения и соответствующие txt-файлы с метками).
  2. Создайте файл YAML с описанием структуры набора данных и классов.
  3. 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 варианты расширенного обучения, см. в комплексном руководстве по обучению.

Какие предварительно обученные модели доступны на сайте Ultralytics?

Ultralytics предлагает широкий выбор предварительно обученных моделей YOLO11 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

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

Как сделать вывод на основе обученной модели Ultralytics ?

Чтобы выполнить вывод 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

О расширенных возможностях прогнозирования, включая пакетную обработку и прогнозирование по видео, читайте в подробном руководстве по прогнозированию.

Можно ли развернуть модели Ultralytics на граничных устройствах или в производственных средах?

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

  • Граничные устройства: Оптимизируйте выводы на таких устройствах, как NVIDIA Jetson или Intel Neural Compute Stick, используя TensorRT, ONNX или OpenVINO.
  • Мобильные устройства: Развертывание на устройствах Android или iOS путем преобразования моделей в TFLite или Core ML.
  • Облако: Используйте такие фреймворки, как TensorFlow Serving или PyTorch Serve для масштабируемых облачных развертываний.
  • Веб: Реализуйте вывод в браузере с помощью ONNX.js или TensorFlow.js.

Ultralytics предоставляет функции экспорта для преобразования моделей в различные форматы для развертывания. Изучите широкий спектр вариантов развертывания, чтобы найти оптимальное решение для вашего случая.

В чем разница между YOLOv8 и YOLO11?

Ключевые отличия включают:

  • Архитектура: YOLO11 имеет улучшенную конструкцию магистрали и головки для повышения производительности.
  • Производительность: YOLO11 , как правило, обеспечивает более высокую точность и скорость по сравнению с YOLOv8.
  • Задачи: YOLO11 поддерживает обнаружение объектов, сегментацию экземпляров и классификацию в единой структуре.
  • Кодовая база: YOLO11 реализована с более модульной и расширяемой архитектурой, что облегчает настройку и расширение.
  • Обучение: YOLO11 использует передовые методы обучения, такие как обучение с использованием нескольких наборов данных и эволюция гиперпараметров для улучшения результатов.

Для подробного сравнения характеристик и показателей производительности посетите YOLO страницу сравнения.

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

Участие в проекте Ultralytics - это отличный способ улучшить проект и расширить свои навыки. Вот как вы можете принять в этом участие:

  1. Форк репозитория Ultralytics на GitHub.
  2. Создайте новую ветку для вашей функции или исправления ошибки.
  3. Внесите изменения и убедитесь, что все тесты пройдены.
  4. Отправьте запрос на выгрузку с четким описанием ваших изменений.
  5. Участвуйте в процессе рецензирования кода.

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

Как установить пакет Ultralytics в Python?

Установка пакета Ultralytics в Python очень проста. Используйте pip, выполнив следующую команду в терминале или командной строке:

pip install ultralytics

Чтобы получить самую современную версию для разработки, установите ее прямо из репозитория GitHub:

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

Инструкции по установке и советы по устранению неполадок для конкретной среды можно найти в подробном руководстве по быстрому запуску.

Каковы основные особенности сайта Ultralytics YOLO ?

Ultralytics YOLO Обладает богатым набором функций для расширенного обнаружения объектов и сегментации изображений:

  • Обнаружение в режиме реального времени: Эффективное обнаружение и классификация объектов в сценариях реального времени.
  • Предварительно обученные модели: Доступ к различным предварительно обученным моделям, в которых сбалансированы скорость и точность для различных случаев использования.
  • Пользовательское обучение: Легко настраивайте модели на пользовательских наборах данных с помощью гибкого конвейера обучения.
  • Широкие возможности развертывания: Экспорт моделей в различные форматы, такие как TensorRT, ONNX и CoreML , для развертывания на различных платформах.
  • Обширная документация: Воспользуйтесь обширной документацией и поддержкой сообщества, которое поможет вам пройти путь компьютерного зрения.

Ознакомьтесь со страницей моделейYOLO , чтобы получить подробное представление о возможностях и архитектуре различных версий YOLO .

Как повысить производительность моей модели YOLO ?

Повысить производительность модели YOLO можно с помощью нескольких приемов:

  1. Настройка гиперпараметров: Экспериментируйте с различными гиперпараметрами, используя руководство по настройке гиперпараметров, чтобы оптимизировать работу модели.
  2. Расширение данных: Используйте такие приемы, как переворот, масштабирование, поворот и корректировка цвета, чтобы расширить набор обучающих данных и улучшить обобщение модели.
  3. Трансферное обучение: Используйте предварительно обученные модели и настраивайте их на конкретном наборе данных с помощью руководства Train YOLO11.
  4. Экспорт в эффективные форматы: Преобразуйте свою модель в оптимизированные форматы, такие как TensorRT или ONNX , чтобы ускорить процесс вывода, используя руководство по экспорту.
  5. Бенчмаркинг: Используйте режим Benchmark Mode, чтобы систематически измерять и улучшать скорость и точность умозаключений.

Можно ли развернуть модели Ultralytics YOLO на мобильных и пограничных устройствах?

Да, модели Ultralytics YOLO предназначены для универсального развертывания, включая мобильные и пограничные устройства:

  • Мобильная версия: Конвертируйте модели в TFLite или CoreML для беспрепятственной интеграции в приложения Android или iOS . Инструкции для конкретной платформы см. в руководстве по интеграции TFLite и руководстве по интеграцииCoreML .
  • Пограничные устройства: Оптимизируйте выводы на таких устройствах, как NVIDIA Jetson, или на другом аппаратном обеспечении для пограничных устройств, используя TensorRT или ONNX. Руководство по интеграции Edge TPU содержит подробные шаги по развертыванию пограничных устройств.

Полный обзор стратегий развертывания на различных платформах можно найти в руководстве по вариантам развертывания.

Как сделать вывод на основе обученной модели Ultralytics YOLO ?

Выводы, сделанные на основе обученной модели Ultralytics YOLO , очень просты:

  1. Загрузите модель:
from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")
  1. Выполните вывод:
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

О расширенных методах прогнозирования, включая пакетную обработку, прогнозирование по видео и пользовательскую предварительную обработку, читайте в подробном руководстве по прогнозированию.

Где можно найти примеры и руководства по использованию Ultralytics?

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

Эти ресурсы содержат примеры кода, реальные примеры использования и пошаговые руководства по решению различных задач с использованием моделей Ultralytics .

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

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад
УльтралитикаПомощник гленн-джохер

Комментарии