Link to this sectionРежимы Ultralytics YOLO26#
Link to this sectionВведение#
Ultralytics YOLO26 — это не просто еще одна модель для обнаружения объектов; это универсальный фреймворк, разработанный 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 определенную задачу и разработан так, чтобы предоставить тебе гибкость и эффективность, необходимые для различных целей и сценариев использования.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
Link to this sectionОбзор режимов#
Понимание различных режимов, поддерживаемых Ultralytics YOLO26, критически важно для того, чтобы получить максимум от твоих моделей:
- Режим Train: дообучай свою модель на пользовательских или предустановленных наборах данных.
- Режим Val: контрольная точка после обучения для оценки производительности модели.
- Режим Predict: раскрой предсказательные возможности своей модели на реальных данных.
- Режим Export: сделай свою модель готовой к развертыванию в различных форматах.
- Режим Track: расширь возможности обнаружения объектов своей моделью до отслеживания в реальном времени.
- Режим Benchmark: анализируй скорость и точность своей модели в различных средах развертывания.
Это подробное руководство призвано дать тебе обзор и практические советы по каждому режиму, помогая использовать весь потенциал YOLO26.
Link to this sectionTrain#
Режим Train используется для обучения модели YOLO26 на пользовательском наборе данных. В этом режиме модель обучается с использованием заданного 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, которые могут распознавать специфические объекты, актуальные для твоего приложения.
Link to this sectionVal#
Режим Val используется для валидации модели YOLO26 после её обучения. В этом режиме модель оценивается на валидационном наборе данных для измерения её точности и обобщающей способности. Валидация помогает выявить потенциальные проблемы, такие как переобучение, и предоставляет метрики, например среднюю точность (mAP), для количественной оценки производительности модели. Этот режим критически важен для настройки гиперпараметров и повышения общей эффективности модели.
Link to this sectionPredict#
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 данных, подготавливая их к реальному использованию. Режим Predict — это твой инструмент для применения обученной модели в решении практических задач.
Link to this sectionExport#
Режим Export используется для конвертации модели YOLO26 в форматы, подходящие для развертывания на различных платформах и устройствах. Этот режим превращает твою модель PyTorch в оптимизированные форматы, такие как ONNX, TensorRT или CoreML, позволяя развертывать их в производственных средах. Экспорт необходим для интеграции модели с различными программными приложениями или аппаратными устройствами, что часто приводит к значительному повышению производительности.
Link to this sectionTrack#
Режим Track расширяет возможности обнаружения объектов в YOLO26, позволяя отслеживать их на видео или в прямых трансляциях. Этот режим особенно полезен для задач, где требуется постоянная идентификация объектов, например, в системах видеонаблюдения или беспилотных автомобилях. Режим Track использует продвинутые трекеры, такие как BoT-SORT (по умолчанию) и ByteTrack, чтобы сохранять идентификацию объектов между кадрами, даже если они временно пропадают из поля зрения.
Link to this sectionBenchmark#
Режим Benchmark профилирует скорость и точность различных форматов экспорта для YOLO26. Этот режим предоставляет исчерпывающие метрики по размеру модели, точности (mAP50-95 для задач обнаружения или accuracy_top1 для классификации) и времени инференса в разных форматах, таких как ONNX, OpenVINO и TensorRT. Бенчмаркинг помогает тебе выбрать оптимальный формат экспорта, основываясь на твоих конкретных требованиях к скорости и точности в среде развертывания.
Link to this sectionFAQ#
Link to this sectionКак мне обучить пользовательскую модель обнаружения объектов с помощью Ultralytics YOLO26?#
Обучение пользовательской модели обнаружения объектов с помощью Ultralytics YOLO26 требует использования режима train. Тебе понадобится набор данных 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)Для получения более подробных инструкций ты можешь обратиться к Руководству по обучению Ultralytics.
Link to this sectionКакие метрики использует Ultralytics YOLO26 для валидации производительности модели?#
Ultralytics YOLO26 использует различные метрики в процессе валидации для оценки производительности модели. К ним относятся:
- mAP (mean Average Precision): оценивает точность обнаружения объектов.
- IOU (Intersection over Union): измеряет пересечение между предсказанными и истинными ограничивающими рамками (BBox).
- Точность (Precision) и полнота (Recall): точность измеряет отношение истинно положительных обнаружений к общему числу положительных обнаружений, в то время как полнота измеряет отношение истинно положительных обнаружений к общему числу реальных положительных объектов.
Ты можешь выполнить следующую команду, чтобы запустить валидацию:
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.
Link to this sectionКак я могу экспортировать свою модель YOLO26 для развертывания?#
Ultralytics YOLO26 предлагает функционал экспорта для конвертации 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.
Link to this sectionКакова 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 настройках, помогая тебе выбрать наиболее подходящий формат для твоих 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 дополнительных сведений обратись к Руководству по бенчмаркингу.
Link to this sectionКак я могу выполнять отслеживание объектов в реальном времени с помощью Ultralytics YOLO26?#
Отслеживание объектов в реальном времени можно реализовать с помощью режима track в Ultralytics YOLO26. Этот режим расширяет возможности обнаружения объектов для их отслеживания по кадрам видео или в потоках. 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.