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.

Популярные модели

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: Последняя версия семейства YOLO с расширенными возможностями, такими как сегментация экземпляров, 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: Ultralytics' последние модели YOLO , обеспечивающие самую современную производительность (SOTA) при выполнении различных задач.
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-NAS: YOLO Модели поиска нейронной архитектуры (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.

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.

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")

# 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 основные преимущества использования Ultralytics YOLOv8 для обнаружения объектов?

Ultralytics YOLOv8 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. YOLOv8 также включает встроенную совместимость с популярными наборами данных и моделями, как подробно описано на странице документацииYOLOv8 .

Как обучить модель YOLOv8 на пользовательских данных?

Обучение модели YOLOv8 на пользовательских данных может быть легко выполнено с помощью библиотек Ultralytics'. Вот краткий пример:

from ultralytics import YOLO

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

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

yolo train model=yolov8n.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 YOLOv10, а также такие модели, как NAS, 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 Models Supported by Ultralytics.

Почему стоит использовать Ultralytics HUB для проектов машинного обучения?

Ultralytics HUB - это комплексная платформа для обучения, развертывания и управления моделями YOLO . Она упрощает сложные рабочие процессы, позволяя пользователям сосредоточиться на производительности и применении моделей. HUB также предлагает возможности облачного обучения, комплексное управление наборами данных и удобные интерфейсы. Подробнее о нем можно узнать на странице документации Ultralytics HUB.

Какие задачи может выполнять YOLOv8 и чем она отличается от других версий YOLO ?

YOLOv8 это универсальная модель, способная выполнять такие задачи, как обнаружение объектов, сегментация экземпляров, классификация и оценка положения. По сравнению с предыдущими версиями, такими как YOLOv3 и YOLOv4, YOLOv8 предлагает значительное улучшение скорости и точности благодаря оптимизированной архитектуре. Для более глубокого сравнения обратитесь к документацииYOLOv8 и страницам задач для получения более подробной информации о конкретных задачах.

📅 Создано 1 год назад ✏️ Обновлено 6 дней назад

Комментарии