Перейти к содержимому

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.

ВОПРОСЫ И ОТВЕТЫ

Что такое Ultralytics и что он предлагает?

Ultralytics Компания, занимающаяся разработкой ИИ для компьютерного зрения, специализируется на современных моделях обнаружения объектов и сегментации изображений, уделяя особое внимание семейству YOLO (You Only Look Once). Их предложения включают:

Как установить пакет Ultralytics ?

Установить пакет Ultralytics очень просто с помощью pip:

pip install ultralytics

Чтобы получить последнюю версию разработки, установи ее прямо 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 3.7+
  • PyTorch 1.7+
  • CUDA-совместимый GPU (для ускорения GPU )

Рекомендуемый сетап:

  • 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)

О том, как устранить общие неполадки, читай на странице YOLO "Общие проблемы".

Как обучить пользовательскую модель YOLOv8 на собственном наборе данных?

Чтобы обучить пользовательский YOLOv8 модель:

  1. Подготовьте набор данных в YOLO (изображения и соответствующие TXT-файлы меток).
  2. Создайте файл YAML, описывающий структуру и классы набора данных.
  3. Используйте следующее Python Код для начала обучения:
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, ты найдешь в комплексном руководстве по обучению.

Какие предварительно обученные модели доступны на Ultralytics?

Ultralytics предлагает разнообразный набор предварительно обученных моделей YOLOv8 для различных задач:

  • Обнаружение объектов: YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x
  • Сегментация экземпляров: YOLOv8n-сег, YOLOv8s-сег, YOLOv8m-сег, YOLOv8l-сег, YOLOv8x-сэг
  • Классификация: YOLOv8n-cls, YOLOv8s-cls, YOLOv8m-cls, YOLOv8l-cls, YOLOv8x-клс

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

Как сделать вывод, используя обученную модель Ultralytics ?

Чтобы выполнить логический вывод с помощью обученной модели, выполните следующие действия.

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 продвинутых возможностях предсказания, включая пакетную обработку и предсказание по видео, читай в подробном руководстве по предсказанию.

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

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

  • Граничные устройства: Оптимизируй выводы на таких устройствах, как NVIDIA Jetson или Intel Neural Compute Stick, используя TensorRT, ONNX или OpenVINO.
  • Мобильный: Разверни на устройствах Android или iOS , преобразовав модели в TFLite или Core ML.
  • Облако: Используй такие фреймворки, как TensorFlow Serving или PyTorch Serve, для масштабируемых облачных развертываний.
  • Веб: Реализуй внутрибраузерные выводы, используя ONNX.js или TensorFlow.js.

Ultralytics предоставляет функции экспорта для преобразования моделей в различные форматы для развертывания. Изучи широкий спектр вариантов развертывания, чтобы найти лучшее решение для твоего случая использования.

Какая разница между YOLOv5 и YOLOv8?

Ключевые отличия включают в себя:

  • Архитектура: YOLOv8 отличается улучшенным дизайном позвоночника и головки для повышения производительности.
  • Производительность: YOLOv8 обычно предлагает более высокую точность и скорость по сравнению с YOLOv5.
  • Задачи: YOLOv8 изначально поддерживает обнаружение объектов, сегментацию экземпляров и классификацию в единой структуре.
  • Кодовая база: YOLOv8 реализована с более модульной и расширяемой архитектурой, что способствует более легкой настройке и расширению.
  • Обучение: YOLOv8 включает в себя передовые методы обучения, такие как обучение с использованием нескольких наборов данных и эволюция гиперпараметров для улучшения результатов.

Для подробного сравнения возможностей и показателей производительности посети страницу сравнения YOLOv5 vs YOLOv8.

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 ты можешь принять в этом участие:

  1. Разветвление Ultralytics репозиторий 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 вытягивание с четким описанием ваших изменений.
  5. Участвуйте в процессе проверки кода.

Ты также можешь внести свой вклад, сообщая об ошибках, предлагая функции или улучшая документацию. Подробные рекомендации и лучшие практики ты найдешь в руководстве по внесению вклада.

Как установить пакет Ultralytics в Python?

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

pip install ultralytics

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

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

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

Каковы основные особенности сайта Ultralytics YOLO ?

Ultralytics YOLO Может похвастаться богатым набором функций для продвинутого обнаружения объектов и сегментации изображений:

  • Обнаружение в реальном времени: Эффективно обнаруживай и классифицируй объекты в сценариях реального времени.
  • Предварительно обученные модели: Получи доступ к множеству предварительно обученных моделей, в которых сбалансированы скорость и точность для разных случаев использования.
  • Обучение на заказ: Легко настраивай модели на пользовательских наборах данных с помощью гибкого конвейера обучения.
  • Широкие возможности развертывания: Экспортируй модели в различные форматы, такие как TensorRT, ONNX и CoreML , для развертывания на разных платформах.
  • Обширная документация: Воспользуйся обширной документацией и поддержкой сообщества, которое поможет тебе пройти путь компьютерного зрения.

Изучи страницу моделейYOLO , чтобы подробно ознакомиться с возможностями и архитектурой различных версий YOLO .

Как я могу улучшить производительность своей модели YOLO ?

Повысить производительность твоей модели YOLO можно с помощью нескольких приемов:

  1. Настройка гиперпараметров: Экспериментируй с различными гиперпараметрами, используя руководство по настройке гиперпараметров, чтобы оптимизировать работу модели.
  2. Дополнение данных: Используй такие техники, как переворот, масштабирование, вращение и корректировка цвета, чтобы расширить свой набор обучающих данных и улучшить обобщение модели.
  3. Трансферное обучение: Используй предварительно обученные модели и настраивай их на своем конкретном наборе данных, используя руководство Train YOLOv8.
  4. Экспортируй в эффективные форматы: Преобразуй свою модель в оптимизированные форматы, такие как TensorRT или ONNX , чтобы быстрее делать выводы, используя руководство по экспорту.
  5. Бенчмаркинг: Используй режим бенчмарка, 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:

Чтобы получить исчерпывающий обзор стратегий развертывания на различных платформах, обратись к руководству по вариантам развертывания.

Как сделать вывод, используя обученную модель Ultralytics YOLO ?

Делать выводы с помощью обученной модели Ultralytics YOLO очень просто:

  1. Загрузи модель:
from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")
  1. Выполняй умозаключения:
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 продвинутых техниках предсказания, включая пакетную обработку, предсказание по видео и пользовательскую препроцессинг, читай в подробном руководстве по предсказанию.

Где можно найти примеры и руководства по использованию Ultralytics?

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

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

Если тебе нужна дополнительная помощь, не стесняйся обратиться к документации Ultralytics или связаться с сообществом через GitHub Issues или официальный дискуссионный форум.



Создано 2023-11-12, Обновлено 2024-07-05
Авторы: glenn-jocher (5)

Комментарии