Перейти к содержанию

Модели, поддерживаемые Ultralytics

Добро пожаловать на сайт Ultralytics' документация по моделям! Мы предлагаем поддержку широкого спектра моделей, каждая из которых предназначена для решения конкретных задач, таких как обнаружение объектов, сегментация экземпляров, классификация изображений, оценка позы и отслеживание нескольких объектов. Если вы хотите предложить свою архитектуру модели для Ultralytics, ознакомьтесь с нашим руководством по внесению вклада.

Ultralytics YOLO11 Сравнительные графики

Вот некоторые из основных поддерживаемых моделей:

  1. YOLOv3: Третья итерация семейства моделей YOLO , изначально созданных Джозефом Редмоном, известная своими эффективными возможностями обнаружения объектов в реальном времени.
  2. YOLOv4: Darknet-native обновление YOLOv3, выпущенное Алексеем Бочковским в 2020 году.
  3. YOLOv5: Усовершенствованная версия архитектуры YOLO от Ultralytics, предлагающая лучшие компромиссы между производительностью и скоростью по сравнению с предыдущими версиями.
  4. YOLOv6: Выпущен компанией Meituan в 2022 году и используется во многих автономных роботах-доставщиках компании.
  5. YOLOv7: Обновленные модели YOLO , выпущенные в 2022 году авторами YOLOv4.
  6. YOLOv8: Универсальная модель с расширенными возможностями, такими как сегментация объектов, оценка положения/ключевых точек и классификация.
  7. YOLOv9: Экспериментальная модель, обученная на Ultralytics YOLOv5 кодовой базе, реализующей программируемую градиентную информацию (PGI).
  8. YOLOv10: Разработанная Университетом Цинхуа система обучения без NMS и архитектура, ориентированная на эффективность и точность, обеспечивает современную производительность и задержку.
  9. YOLO11 🚀 НОВИНКА: новейшие модели YOLO от Ultralytics, обеспечивающие самую современную производительность (SOTA) в различных задачах, включая обнаружение, сегментацию, оценку позы, отслеживание и классификацию.
  10. Сегмент Любая модель (SAM): Оригинальная модель Segment Anything Model от Meta (SAM).
  11. Сегмент Разное Модель 2 (SAM2): Следующее поколение модели Segment Anything Model от Meta (SAM) для видео и изображений.
  12. Модель мобильного сегмента Anything Model (MobileSAM): MobileSAM для мобильных приложений, Университет Кюнг Хи.
  13. Модель быстрого выделения сегментов (FastSAM): FastSAM by Image & Video Analysis Group, Institute of Automation, Chinese Academy of Sciences.
  14. YOLO: Модели YOLO с нейронной архитектурой поиска (NAS).
  15. Трансформаторы обнаружения в реальном времени (RT-DETR): Модели Baidu PaddlePaddle Realtime Detection Transformer (RT-DETR).
  16. YOLO-Мир: Модели обнаружения объектов из открытого словаря в реальном времени от Tencent AI Lab.
  17. YOLOE: Улучшенный детектор объектов с открытым словарем, который сохраняет производительность YOLO в реальном времени, обнаруживая произвольные классы за пределами обучающих данных.



Смотреть: Запускайте модели Ultralytics YOLO всего за несколько строк кода.

Начало работы: Примеры использования

В этом примере приведены простые примеры обучения и вывода YOLO . Полную документацию по этим и другим режимам можно найти на страницах Predict, Train, Val и Export docs.

Обратите внимание, что приведенный ниже пример относится к моделям YOLOv8 Detect для обнаружения объектов. Дополнительные поддерживаемые задачи см. в документах Segment, Classify и Pose.

Пример

PyTorch предварительно обученный *.pt модели, а также конфигурации *.yaml файлы могут быть переданы в YOLO(), SAM(), NAS() и RTDETR() классы для создания экземпляра модели в Python:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

CLI Команды доступны для прямого запуска моделей:

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

Внесение новых моделей

Заинтересованы в том, чтобы предоставить свою модель на Ultralytics? Отлично! Мы всегда открыты для расширения нашего модельного портфолио.

  1. Форк репозитория: Начните с форка репозиторияUltralytics на GitHub.

  2. Клонирование вилки: Клонируйте вилку на локальную машину и создайте новую ветку для работы.

  3. Внедрите свою модель: Добавьте свою модель, следуя стандартам и рекомендациям по кодированию, приведенным в нашем руководстве по внесению вклада.

  4. Тщательно тестируйте: Проводите тщательное тестирование модели, как отдельно, так и в составе конвейера.

  5. Создайте Pull Request: После того как вы будете удовлетворены своей моделью, создайте запрос на выгрузку в основной репозиторий для рассмотрения.

  6. Рецензирование и слияние кода: После проверки, если ваша модель соответствует нашим критериям, она будет включена в основной репозиторий.

Для получения подробной информации обратитесь к нашему руководству по внесению вкладов.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Каковы ключевые преимущества использования Ultralytics YOLO11 для обнаружения объектов?

Ultralytics YOLO11 предлагает расширенные возможности, такие как обнаружение объектов в реальном времени, сегментация экземпляров, оценка позы и классификация. Его оптимизированная архитектура обеспечивает высокую скорость работы без ущерба для точности, что делает его идеальным для различных приложений в различных областях ИИ. YOLO11 создан на основе предыдущих версий с улучшенной производительностью и дополнительными функциями, о которых подробно рассказано на странице документацииYOLO11 .

Как обучить модель YOLO на пользовательских данных?

Обучение модели YOLO на пользовательских данных может быть легко выполнено с помощью библиотек Ultralytics. Вот краткий пример:

Пример

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")  # or any other YOLO model

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

yolo train model=yolo11n.pt data='custom_data.yaml' epochs=100 imgsz=640

Более подробные инструкции можно найти на странице документации Train.

Какие версии YOLO поддерживаются Ultralytics?

Ultralytics поддерживает широкий спектр версий YOLO (You Only Look Once) от YOLOv3 до YOLO11, а также такие модели, как YOLO, SAM и RT-DETR. Каждая версия оптимизирована для решения различных задач, таких как обнаружение, сегментация и классификация. Подробную информацию о каждой модели см. в документации " Модели, поддерживаемые Ultralytics ".

Почему стоит использовать Ultralytics HUB для проектов машинного обучения?

Ultralytics HUB представляет собой комплексную платформу без кода для обучения, развертывания и управления моделями YOLO . Она упрощает сложные рабочие процессы, позволяя пользователям сосредоточиться на производительности модели и ее применении. HUB также предлагает возможности облачного обучения, комплексное управление наборами данных и удобные интерфейсы как для начинающих, так и для опытных разработчиков.

Какие задачи может выполнять YOLO11 и чем он отличается от других версий YOLO ?

YOLO11 - это универсальная модель, способная выполнять такие задачи, как обнаружение объектов, сегментация экземпляров, классификация и оценка положения. По сравнению с предыдущими версиями, YOLO11 предлагает значительное улучшение скорости и точности благодаря оптимизированной архитектуре и безъякорной конструкции. Для более глубокого сравнения обратитесь к документации по YOLO11 и страницам задач для получения более подробной информации о конкретных задачах.

📅 Создано 1 год назад ✏️ Обновлено 3 дня назад
гленн-джохер Laughing-q jk4e Мэтью Нойс

Комментарии