Режимы Ultralytics YOLO26
Введение
Ultralytics YOLO26 — это не просто очередная модель обнаружения объектов; это универсальная среда, разработанная для охвата всего жизненного цикла моделей машинного обучения — от загрузки данных и обучения модели до валидации, развертывания и отслеживания в реальных условиях. Каждый режим выполняет свою конкретную задачу и спроектирован так, чтобы обеспечить тебе гибкость и эффективность, необходимые для различных задач и сценариев использования.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
Режимы кратко
Понимание различных режимов, которые поддерживает Ultralytics YOLO26, критически важно для того, чтобы выжать максимум из твоих моделей:
- Train (Обучение): дообучай свою модель на пользовательских или предустановленных наборах данных.
- Val (Валидация): контрольная точка после обучения для проверки производительности модели.
- Predict (Предсказание): раскрой прогностическую мощь своей модели на реальных данных.
- Export (Экспорт): сделай свою модель готовой к развертыванию в различных форматах.
- Track (Отслеживание): расширь возможности своей модели обнаружения объектов до приложений отслеживания в реальном времени.
- Benchmark (Бенчмаркинг): анализируй скорость и точность своей модели в различных средах развертывания.
Это полное руководство призвано дать тебе обзор и практические советы по каждому режиму, помогая использовать весь потенциал YOLO26.
Train
Режим Train используется для обучения модели YOLO26 на пользовательском наборе данных. В этом режиме модель обучается с использованием указанного набора данных и гиперпараметров. Процесс обучения включает оптимизацию параметров модели, чтобы она могла точно предсказывать классы и местоположение объектов на изображении. Обучение необходимо для создания моделей, способных распознавать специфические объекты, важные для твоего приложения.
Val
Режим Val используется для валидации модели YOLO26 после того, как она была обучена. В этом режиме модель оценивается на валидационном наборе данных для измерения ее точности и способности к обобщению. Валидация помогает выявить потенциальные проблемы, такие как переобучение, и предоставляет такие метрики, как средняя точность (mAP) для количественной оценки производительности модели. Этот режим критически важен для настройки гиперпараметров и улучшения общей эффективности модели.
Predict
Режим Predict используется для выполнения предсказаний с помощью обученной модели YOLO26 на новых изображениях или видео. В этом режиме модель загружается из файла контрольной точки, а ты можешь предоставить изображения или видео для проведения инференса. Модель идентифицирует и локализует объекты во входных медиаданных, делая их готовыми для реальных приложений. Режим Predict — это путь к применению твоей обученной модели для решения практических задач.
Export
Режим Export используется для конвертации модели YOLO26 в форматы, подходящие для развертывания на различных платформах и устройствах. Этот режим преобразует твою модель PyTorch в оптимизированные форматы, такие как ONNX, TensorRT или CoreML, позволяя развертывание в производственных средах. Экспорт необходим для интеграции твоей модели с различными программными приложениями или аппаратными устройствами, что часто приводит к значительному повышению производительности.
Track
Режим Track расширяет возможности обнаружения объектов YOLO26 для отслеживания объектов в видеокадрах или прямых трансляциях. Этот режим особенно ценен для приложений, требующих постоянной идентификации объектов, таких как системы наблюдения или беспилотные автомобили. Режим Track реализует сложные алгоритмы, такие как ByteTrack, для сохранения идентичности объекта между кадрами, даже если объекты временно исчезают из поля зрения.
Benchmark
Режим Benchmark профилирует скорость и точность различных форматов экспорта для YOLO26. Этот режим предоставляет полные метрики размера модели, точности (mAP50-95 для задач обнаружения или accuracy_top5 для классификации) и времени инференса для разных форматов, таких как ONNX, OpenVINO и TensorRT. Бенчмаркинг помогает тебе выбрать оптимальный формат экспорта, основываясь на твоих специфических требованиях к скорости и точности в среде развертывания.
Часто задаваемые вопросы (FAQ)
Как мне обучить собственную модель обнаружения объектов с помощью Ultralytics YOLO26?
Обучение собственной модели обнаружения объектов с помощью Ultralytics YOLO26 включает использование режима train. Тебе понадобится набор данных, отформатированный в формате YOLO, содержащий изображения и соответствующие файлы аннотаций. Используй следующую команду для запуска процесса обучения:
from ultralytics import YOLO
# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")
# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)Более подробные инструкции можно найти в Руководстве по обучению Ultralytics.
Какие метрики использует Ultralytics YOLO26 для валидации производительности модели?
Ultralytics YOLO26 использует различные метрики в процессе валидации для оценки производительности модели. К ним относятся:
- mAP (средняя точность): оценивает точность обнаружения объектов.
- IOU (Intersection over Union): измеряет пересечение между предсказанными и истинными ограничивающими рамками (bounding boxes).
- Precision (Точность) и Recall (Полнота): Precision измеряет отношение истинно положительных обнаружений к общему количеству обнаруженных положительных результатов, тогда как recall измеряет отношение истинно положительных обнаружений к общему количеству фактических положительных результатов.
Ты можешь запустить следующую команду для начала валидации:
from ultralytics import YOLO
# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")
# Run validation on your dataset
model.val(data="path/to/validation.yaml")Обратись к Руководству по валидации для получения подробностей.
Как мне экспортировать мою модель YOLO26 для развертывания?
Ultralytics YOLO26 предлагает функции экспорта для преобразования твоей обученной модели в различные форматы развертывания, такие как ONNX, TensorRT, CoreML и другие. Используй следующий пример для экспорта своей модели:
from ultralytics import YOLO
# Load your trained YOLO model
model = YOLO("yolo26n.pt")
# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")Подробные шаги для каждого формата экспорта можно найти в Руководстве по экспорту.
Какова цель режима benchmark в Ultralytics YOLO26?
Режим Benchmark в Ultralytics YOLO26 используется для анализа скорости и точности различных форматов экспорта, таких как ONNX, TensorRT и OpenVINO. Он предоставляет такие метрики, как размер модели, mAP50-95 для обнаружения объектов и время инференса на различных аппаратных конфигурациях, помогая тебе выбрать наиболее подходящий формат для нужд развертывания.
from ultralytics.utils.benchmarks import benchmark
# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)Для получения дополнительной информации обратись к Руководству по бенчмаркингу.
Как мне выполнять отслеживание объектов в реальном времени с помощью Ultralytics YOLO26?
Отслеживание объектов в реальном времени можно осуществить с помощью режима track в Ultralytics YOLO26. Этот режим расширяет возможности обнаружения объектов для трекинга объектов в видеокадрах или прямых трансляциях. Используй следующий пример для включения отслеживания:
from ultralytics import YOLO
# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")
# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")Для получения подробных инструкций посети Руководство по отслеживанию.