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 is a computer vision AI company specializing in state-of-the-art object detection and image segmentation models, with a focus on the YOLO (You Only Look Once) family. Their offerings include:

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".

How can I train a custom YOLO11 model on my own dataset?

To train a custom YOLO11 model:

  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 offers a diverse range of pretrained YOLO11 models for various tasks:

  • Object Detection: YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x
  • Instance Segmentation: YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
  • Classification: YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls

These models vary in size and complexity, offering different trade-offs between speed and accuracy. Explore the full range of pretrained models to find the best fit for your project.

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.
  • Cloud: Leverage frameworks like TensorFlow Serving or PyTorch Serve for scalable cloud deployments.
  • 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.

What's the difference between YOLOv8 and YOLO11?

Ключевые отличия включают в себя:

  • Architecture: YOLO11 features an improved backbone and head design for enhanced performance.
  • Performance: YOLO11 generally offers superior accuracy and speed compared to YOLOv8.
  • Tasks: YOLO11 natively supports object detection, instance segmentation, and classification in a unified framework.
  • Codebase: YOLO11 is implemented with a more modular and extensible architecture, facilitating easier customization and extension.
  • Training: YOLO11 incorporates advanced training techniques like multi-dataset training and hyperparameter evolution for improved results.

For an in-depth comparison of features and performance metrics, visit the YOLO comparison page.

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. Hyperparameter Tuning: Experiment with different hyperparameters using the Hyperparameter Tuning Guide to optimize model performance.
  2. Data Augmentation: Implement techniques like flip, scale, rotate, and color adjustments to enhance your training dataset and improve model generalization.
  3. Transfer Learning: Leverage pre-trained models and fine-tune them on your specific dataset using the Train YOLO11 guide.
  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.


📅 Created 11 months ago ✏️ Updated 8 days ago
УльтралитикаПомощник Гленн-Джошер

Комментарии