Начать

Режимы Ultralytics YOLO26

Ultralytics YOLO ecosystem and integrations

Введение#

Ultralytics YOLO26 — это не просто модель для обнаружения объектов: фреймворк Ultralytics охватывает полный жизненный цикл моделей машинного обучения — от обучения и валидации до предсказаний, экспорта, трекинга и тестирования. Каждый режим выполняет свою задачу в этом процессе.

Информацию о планируемой поддержке YOLO27 см. в предварительном обзоре YOLO27. YOLO27 скоро выйдет, но пока недоступна; в этом руководстве используются выпущенные модели YOLO26.



Смотри: Руководство по режимам Ultralytics: train, validate, predict, export и benchmark.

Краткий обзор режимов#

Ultralytics YOLO26 поддерживает следующие режимы:

  • Режим Train: обучай или дообучай модель на пользовательских или встроенных датасетах.
  • Режим Val: проверяй эффективность модели после обучения.
  • Режим Predict: запускай инференс модели на новых изображениях, видео и потоках.
  • Режим Export: преобразуй модель в форматы, подходящие для развертывания модели.
  • Режим Track: отслеживай объекты между кадрами видео и в прямых трансляциях в реальном времени.
  • Режим Benchmark: оцени скорость и точность модели в различных средах развёртывания.

В разделах ниже кратко описан каждый режим и приведены ссылки на полные руководства.

Обучение#

Режим Train используется для обучения модели YOLO26 на пользовательском наборе данных. В этом режиме модель обучается с использованием указанного набора данных и гиперпараметров. В процессе обучения оптимизируются параметры модели, чтобы она могла точно предсказывать классы и местоположение объектов на изображении. Обучение необходимо для создания моделей, распознающих объекты, важные для твоего приложения.

Примеры Train

Валидация#

Режим Val используется для проверки обученной модели YOLO26. В этом режиме модель оценивается на валидационной выборке, чтобы измерить точность и способность к обобщению. Проверка помогает выявить потенциальные проблемы, например переобучение, и предоставляет такие метрики, как средняя точность (mAP), для количественной оценки качества модели. Результаты проверки помогают выполнять настройку гиперпараметров и вносить другие улучшения в модель.

Примеры Val

Предсказание#

Режим Predict используется для получения предсказаний обученной модели YOLO26 на новых изображениях или видео. В этом режиме модель загружается из файла контрольной точки, после чего пользователь может передать изображения или видео для инференса. Модель обнаруживает объекты во входных данных и определяет их местоположение. Режим Predict позволяет применять обученную модель для решения практических задач.

Примеры Predict

Экспорт#

Режим Export предназначен для преобразования модели YOLO26 в форматы, подходящие для развёртывания на различных платформах и устройствах. В этом режиме модель PyTorch преобразуется в оптимизированные форматы, например ONNX, TensorRT или CoreML, что позволяет развёртывать её в производственной среде. Экспорт необходим для интеграции модели с различными программными приложениями и аппаратными устройствами и часто значительно повышает производительность.

Примеры Export

Отслеживание#

Режим Track расширяет возможности YOLO26 по обнаружению объектов, позволяя отслеживать объекты между кадрами видео или в прямых трансляциях. Этот режим особенно полезен в приложениях, где требуется постоянная идентификация объектов, например в системах видеонаблюдения или беспилотных автомобилях. Доступны шесть трекеров: TrackTrack (по умолчанию), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT и FastTracker.

Примеры использования отслеживания

Бенчмарк#

Режим Benchmark оценивает скорость и точность различных форматов экспорта YOLO26. Он предоставляет подробные метрики размера модели, точности (mAP50-95 для обнаружения объектов, сегментации, оценки позы и OBB; mIoU для семантической сегментации; δ1 для оценки глубины или accuracy_top1 для классификации), а также времени инференса в разных форматах, таких как ONNX, OpenVINO и TensorRT. Тестирование поможет выбрать оптимальный формат экспорта с учётом конкретных требований к скорости и точности в целевой среде.

Примеры тестирования производительности

Часто задаваемые вопросы#

  • Чтобы обучить собственную модель обнаружения объектов с помощью Ultralytics YOLO26, используй режим обучения. Тебе понадобится датасет в формате YOLO, содержащий изображения и соответствующие файлы аннотаций. Запусти обучение следующей командой:

    Пример
    from ultralytics import YOLO
    
    # Загрузи предварительно обученную модель YOLO (можно выбрать версии n, s, m, l или x)
    model = YOLO("yolo26n.pt")
    
    # Начни обучение на собственном датасете
    model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

    Подробные инструкции см. в руководстве Ultralytics по обучению.

  • Ultralytics YOLO26 использует различные метрики на этапе валидации, чтобы оценить качество модели. К ним относятся:

    • Средняя точность (mAP): оценивает точность обнаружения объектов.
    • IoU (пересечение над объединением): измеряет степень перекрытия предсказанных и эталонных ограничивающих рамок.
    • Точность и полнота: точность показывает долю истинно положительных обнаружений среди всех положительных обнаружений, а полнота — долю истинно положительных обнаружений среди всех фактически положительных объектов.

    Чтобы запустить валидацию, выполни следующую команду:

    Пример
    from ultralytics import YOLO
    
    # Загрузи предварительно обученную или собственную модель YOLO
    model = YOLO("yolo26n.pt")
    
    # Запусти валидацию на своём датасете
    model.val(data="path/to/validation.yaml")

    Подробнее см. в руководстве по валидации.

  • Ultralytics YOLO26 позволяет экспортировать обученную модель в различные форматы для развертывания, например ONNX, TensorRT, CoreML и другие. Используй следующий пример для экспорта модели:

    Пример
    from ultralytics import YOLO
    
    # Загрузи обученную модель YOLO
    model = YOLO("yolo26n.pt")
    
    # Экспортируй модель в формат ONNX (при необходимости можно указать другие форматы)
    model.export(format="onnx")

    Подробные инструкции для каждого формата экспорта приведены в руководстве по экспорту.

  • Режим Benchmark в Ultralytics YOLO26 используется для анализа скорости и точности различных форматов экспорта, таких как ONNX, TensorRT и OpenVINO. Он предоставляет метрики размера модели, mAP50-95 для обнаружения объектов и времени инференса на разных аппаратных конфигурациях, помогая выбрать наиболее подходящий формат для развёртывания.

    Пример
    from ultralytics.utils.benchmarks import benchmark
    
    # Запусти тестирование производительности на GPU (устройство 0)
    # При необходимости можно настроить такие параметры, как модель, датасет, размер изображения и точность
    benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)

    Подробнее см. в руководстве по тестированию производительности.

  • Отслеживать объекты в реальном времени можно с помощью режима отслеживания в Ultralytics YOLO26. Этот режим расширяет возможности обнаружения объектов, позволяя отслеживать объекты в видеокадрах или прямых трансляциях. Воспользуйся следующим примером, чтобы включить отслеживание:

    Пример
    from ultralytics import YOLO
    
    # Загрузить предварительно обученную модель YOLO
    model = YOLO("yolo26n.pt")
    
    # Начни отслеживать объекты в видео
    # Также можно использовать прямые видеотрансляции или веб-камеру
    model.track(source="path/to/video.mp4")

    Подробные инструкции см. в руководстве по отслеживанию.

Комментарии7

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. Monkey1GItGitHub

    The Chinese web page translation is very bad, for example, "train" should be "训练", but translated into "火车"

    And can not switch to English page, click the EN button, will still switch to Chinese page

    2
    1. Glenn JocherUltralytics

      Hey there! 😊 Thanks for bringing this to our attention. We're sorry for the inconvenience caused by the translation errors and the issue with the language switch button. We're constantly working on improving our documentation and its accessibility, including accurate translations.

      For the translation issue, we'll look into it and aim to correct those errors, like "train" being incorrectly translated. Your feedback is invaluable in helping us enhance the user experience.

      Regarding the language switch issue, we're investigating this and will work on a fix. In the meantime, if you're still unable to switch to the English page, you might try clearing your browser's cache or using a different browser as a temporary workaround.

      If you have any more feedback or need further assistance, please don't hesitate to reach out. Thanks for your support and understanding! 🙏

    1. Glenn JocherUltralytics(изменено)

      @myangel1972 8.3.6 is a release number of the ultralytics Python package, while YOLO11 is a model family. YOLO26 is now the latest and recommended model, offering improved performance across tasks like detection, segmentation, and tracking. For detailed differences, please refer to the release notes on the Ultralytics GitHub page.

    2. myangel1972GitHub

      thanks a lot for your quickly reply!but I still have a question,on the right top of this page,there is a tag with 8.3.7(yesterday it was 8.3.6), so i am confused that what is the relatonship between 8.3.7 and yolo 11?

    3. Glenn JocherUltralytics(изменено)

      @myangel1972 version numbers like 8.3.7 are releases of the ultralytics package (which supports YOLOv8, YOLO11 and later models), including improvements and bug fixes. YOLO11 is a separate model family released in that package line, so the two numbers are not comparable.

      1