Ultralytics YOLO11 Режимы

Введение

Ultralytics YOLO11 это не просто еще одна модель обнаружения объектов; это универсальный фреймворк, разработанный для охвата всего жизненного цикла моделей машинного обучения - от сбора данных и обучения модели до проверки, развертывания и отслеживания в реальных условиях. Каждый режим служит конкретной цели и разработан таким образом, чтобы обеспечить гибкость и эффективность, необходимые для различных задач и случаев использования.

Смотреть: Ultralytics Режимы Учебное пособие: Обучение, проверка, прогнозирование, экспорт и бенчмаркинг.

Режимы с первого взгляда

Понимание различных режимов, поддерживаемых Ultralytics YOLO11 , имеет решающее значение для получения максимальной отдачи от ваших моделей:

• Режим обучения: Тонкая настройка модели на пользовательских или предварительно загруженных наборах данных.
• Режим Val: Контрольная точка после обучения для проверки работоспособности модели.
• Режим Predict: Раскройте предсказательную силу вашей модели на реальных данных.
• Режим экспорта: Сделайте свою модель готовой к развертыванию в различных форматах.
• Режим отслеживания: Расширьте модель обнаружения объектов до приложений отслеживания в реальном времени.
• Режим бенчмарка: Проанализируйте скорость и точность вашей модели в различных средах развертывания.

Это подробное руководство содержит обзор и практические сведения о каждом режиме, помогая вам использовать весь потенциал сайта YOLO11.

Поезд

Режим Train используется для обучения модели YOLO11 на пользовательском наборе данных. В этом режиме модель обучается на заданном наборе данных и гиперпараметрах. В процессе обучения оптимизируются параметры модели, чтобы она могла точно предсказывать классы и местоположение объектов на изображении. Обучение необходимо для создания моделей, способных распознавать конкретные объекты, имеющие отношение к вашему приложению.

Примеры поездов

Вэл

Режим Val используется для проверки модели YOLO11 после ее обучения. В этом режиме модель оценивается на валидационном наборе для измерения ее точности и эффективности обобщения. Валидация помогает выявить потенциальные проблемы, такие как чрезмерная подгонка, и предоставляет такие метрики, как средняя точность (mAP), для количественной оценки эффективности модели. Этот режим очень важен для настройки гиперпараметров и повышения общей эффективности модели.

Примеры валов

Предсказать

Режим Predict используется для составления прогнозов с помощью обученной модели YOLO11 на новых изображениях или видео. В этом режиме модель загружается из файла контрольной точки, а пользователь может предоставить изображения или видео для выполнения прогноза. Модель идентифицирует и локализует объекты на входном носителе, что делает ее готовой к применению в реальном мире. Режим Predict - это путь к применению обученной модели для решения практических задач.

Предсказать примеры

Экспорт

Режим экспорта используется для преобразования модели YOLO11 в форматы, пригодные для развертывания на различных платформах и устройствах. Этот режим преобразует вашу модель PyTorch в оптимизированные форматы, такие как ONNX, TensorRT или CoreML, что позволяет развертывать ее в производственных средах. Экспорт необходим для интеграции вашей модели с различными программными приложениями или аппаратными устройствами, что часто приводит к значительному повышению производительности.

Примеры экспорта

Трек

Режим отслеживания расширяет возможности YOLO11 по обнаружению объектов, позволяя отслеживать их по видеокадрам или потокам в реальном времени. Этот режим особенно ценен для приложений, требующих постоянной идентификации объектов, таких как системы видеонаблюдения или самоуправляемые автомобили. Режим отслеживания реализует сложные алгоритмы, такие как ByteTrack, для сохранения идентификации объектов во всех кадрах, даже когда объекты временно исчезают из поля зрения.

Примеры дорожек

Бенчмарк

Режим бенчмарка оценивает скорость и точность различных форматов экспорта для YOLO11. Этот режим предоставляет исчерпывающие метрики по размеру модели, точности (mAP50-95 для задач обнаружения или accuracy_top5 для классификации) и времени вывода для различных форматов, таких как ONNX, OpenVINOи TensorRT. Бенчмаркинг поможет вам выбрать оптимальный формат экспорта, исходя из ваших конкретных требований к скорости и точности в вашей среде развертывания.

Примеры контрольных показателей

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как обучить пользовательскую модель обнаружения объектов с помощью Ultralytics YOLO11 ?

Обучение пользовательской модели обнаружения объектов с помощью Ultralytics YOLO11 предполагает использование режима обучения. Вам понадобится набор данных в формате YOLO , содержащий изображения и соответствующие файлы аннотаций. Для запуска процесса обучения используйте следующую команду:

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

# Train a YOLO model from the command line
yolo train data=path/to/dataset.yaml epochs=100 imgsz=640

Более подробные инструкции вы можете найти на сайте Ultralytics Train Guide.

Какие метрики использует Ultralytics YOLO11 для подтверждения эффективности модели?

Ultralytics YOLO11 В процессе валидации для оценки эффективности модели используются различные метрики. К ним относятся:

• mAP (средняя точность): Оценивает точность обнаружения объектов.
• IOU (Intersection over Union): Измеряет перекрытие между предсказанными и истинными границами.
• Precision и Recall: Precision измеряет отношение истинно положительных обнаружений к общему числу обнаруженных положительных результатов, а recall - отношение истинно положительных обнаружений к общему числу фактических положительных результатов.

Чтобы запустить проверку, можно выполнить следующую команду:

from ultralytics import YOLO

# Load a pre-trained or custom YOLO model
model = YOLO("yolo11n.pt")

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

# Validate a YOLO model from the command line
yolo val data=path/to/validation.yaml

Более подробную информацию см. в руководстве по проверке.

Как экспортировать модель YOLO11 для развертывания?

Ultralytics YOLO11 предлагает функцию экспорта для преобразования обученной модели в различные форматы развертывания, такие как ONNX, TensorRT, CoreML, и другие. Используйте следующий пример для экспорта модели:

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")

# Export a YOLO model to ONNX format from the command line
yolo export model=yolo11n.pt format=onnx

Подробные шаги для каждого формата экспорта можно найти в Руководстве по экспорту.

Каково назначение режима бенчмарка в Ultralytics YOLO11 ?

Режим бенчмарка на сайте Ultralytics YOLO11 используется для анализа скорости и точность Различные форматы экспорта, такие как ONNX, TensorRT и OpenVINO. Он предоставляет такие метрики, как размер модели, mAP50-95 для обнаружения объектов, а также время вывода данных на различных аппаратных установках, что поможет вам выбрать наиболее подходящий формат для ваших потребностей в развертывании.

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="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

# Benchmark a YOLO model from the command line
# Adjust parameters as needed for your specific use case
yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0

Для получения более подробной информации обратитесь к руководству по бенчмаркам.

Как выполнить слежение за объектом в реальном времени с помощью Ultralytics YOLO11 ?

Слежение за объектами в реальном времени можно осуществлять с помощью режима отслеживания на сайте Ultralytics YOLO11 . Этот режим расширяет возможности обнаружения объектов, позволяя отслеживать их по видеокадрам или прямым трансляциям. Для включения режима отслеживания используйте следующий пример:

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4

Подробные инструкции можно найти в Руководстве по трассе.

📅 Создано 1 год назад ✏️ Обновлено 4 дня назад

Комментарии