Модели, поддерживаемые Ultralytics

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

Подборка моделей

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: Улучшенная 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 НОВИНКА 🚀: Последняя версия семейства YOLO с расширенными возможностями, такими как сегментация экземпляров, оценка позы/ключевых точек и классификация.
7. YOLOv9: Экспериментальная модель, обученная на Ultralytics YOLOv5 кодовой базе, реализующей программируемую градиентную информацию (PGI).
8. YOLOv10: Разработанный университетом Цинхуа, он отличается отсутствием NMS-тренировок и архитектурой, ориентированной на эффективность и точность, обеспечивая самую современную производительность и задержку.
9. Сегмент "Модель чего угодно" (SAM): Segment Anything Model Мета (SAM).
10. Модель любого мобильного сегмента (MobileSAM): MobileSAM для мобильных приложений, разработанная университетом Кюнг Хи.
11. Модель быстрого сегментирования чего угодно (FastSAM): FastSAM by Image & Video Analysis Group, Institute of Automation, Chinese Academy of Sciences.
12. YOLO-NAS: YOLO Модели поиска нейронной архитектуры (NAS).
13. Трансформаторы обнаружения в реальном времени (RT-DETR): Модели Baidu PaddlePaddle Realtime Detection Transformer (RT-DETR).
14. YOLO-Мир: Модели обнаружения объектов из открытого словаря в реальном времени от Tencent AI Lab.

Смотри: Запускай 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.

Обрати внимание, что ниже приведен пример с моделями YOLOv8 Detect для обнаружения объектов. О дополнительных поддерживаемых задачах читай 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

Заинтересован в том, чтобы предоставить свою модель в Ultralytics? Отлично! Мы всегда открыты для расширения нашего модельного портфеля.

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

2. Клонируй свой форк: клонируй свой форк на локальную машину и создай новую ветку для работы.

3. Реализуй свою модель: Добавь свою модель, следуя стандартам кодирования и рекомендациям, изложенным в нашем руководстве по внесению вклада.

4. Тщательно тестируй: Обязательно тщательно тестируй свою модель, как отдельно, так и в составе конвейера.

5. Создай Pull Request: Как только ты будешь доволен своей моделью, создай запрос на выгрузку в основной репозиторий для проверки.

6. Рецензирование и слияние кода: После рецензирования, если твоя модель соответствует нашим критериям, она будет слита в основной репозиторий.

Чтобы узнать подробные шаги, обратись к нашему руководству по контрибьютингу.

ВОПРОСЫ И ОТВЕТЫ

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 можно легко осуществить с помощью библиотек Ultralytics'. Вот быстрый 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 по Train.

Какие версии YOLO поддерживаются Ultralytics?

Ultralytics поддерживает полный 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 ты найдешь в документации Models Supported by Ultralytics.

Почему мне стоит использовать Ultralytics HUB для проектов машинного обучения?

Ultralytics HUB представляет собой бескодовую, сквозную платформу для обучения, развертывания и управления моделями YOLO . Она упрощает сложные рабочие процессы, позволяя пользователям сосредоточиться на производительности моделей и их применении. HUB также предлагает возможности облачного обучения, комплексное управление наборами данных и удобные интерфейсы. Узнай больше о нем на странице документации Ultralytics HUB.

Какие типы задач может выполнять YOLOv8 , и как она сравнивается с другими версиями YOLO ?

YOLOv8 Это универсальная модель, способная выполнять такие задачи, как обнаружение объектов, сегментация экземпляров, классификация и оценка позы. По сравнению с более ранними версиями, такими как YOLOv3 и YOLOv4, YOLOv8 предлагает значительный прирост скорости и точности благодаря оптимизированной архитектуре. Для более глубокого сравнения обратись к документацииYOLOv8 и страницам "Задачи", чтобы получить более подробную информацию о конкретных задачах.

Комментарии