Ultralytics YOLO27:

Режимы Ultralytics YOLO26#

Ultralytics YOLO ecosystem and integrations

Введение#

Ultralytics YOLO26 — это не просто еще одна модель обнаружения объектов; это универсальный фреймворк, созданный для охвата всего жизненного цикла моделей machine learning — от загрузки данных и обучения моделей до валидации, развертывания и трекинга в реальном времени. Каждый режим служит определенной цели и разработан так, чтобы предоставить тебе гибкость и эффективность, необходимые для различных задач и сценариев использования.

Информацию о планируемой поддержке YOLO27 смотри в разделе о предварительной версии YOLO27. YOLO27 скоро появится и пока недоступна; в этом руководстве используются выпущенные модели YOLO26.



Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.

Обзор режимов#

Понимание различных режимов, поддерживаемых Ultralytics YOLO26, имеет решающее значение для максимальной эффективности твоих моделей:

  • Train (Обучение): дообучай свою модель на пользовательских или предварительно загруженных датасетах.
  • Val (Валидация): контрольная точка после обучения для проверки производительности модели.
  • Predict (Предсказание): раскрой предсказательную силу своей модели на реальных данных.
  • Export (Экспорт): подготовь свою модель к развертыванию в различных форматах.
  • Track (Трекинг): преврати свою модель обнаружения объектов в приложения для трекинга в реальном времени.
  • Benchmark (Бенчмаркинг): анализируй скорость и точность своей модели в различных средах развертывания.

Это исчерпывающее руководство призвано дать тебе общее представление и практические рекомендации по каждому режиму, помогая задействовать весь потенциал YOLO26.

Обучение#

Режим Train используется для обучения модели YOLO26 на пользовательском датасете. В этом режиме модель обучается с использованием указанного датасета и гиперпараметров. Процесс обучения включает в себя оптимизацию параметров модели, чтобы она могла точно предсказывать классы и расположение объектов на изображении. Обучение необходимо для создания моделей, способных распознавать конкретные объекты, важные для твоего приложения.

Val#

Режим Val используется для валидации модели YOLO26 после ее обучения. В этом режиме модель оценивается на валидационном наборе данных для измерения ее точности и способности к генерализации. Валидация помогает выявить потенциальные проблемы, такие как overfitting, и предоставляет такие метрики, как mean Average Precision (mAP), для количественной оценки производительности модели. Этот режим имеет решающее значение для настройки гиперпараметров и повышения общей эффективности модели.

Предсказание#

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, и ты можешь предоставить изображения или видео для выполнения инференса. Модель идентифицирует и локализует объекты во входных медиаданных, подготавливая их для реальных приложений. Режим Predict — это путь к применению твоей обученной модели для решения практических задач.

Экспорт#

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, обеспечивая развертывание в производственных средах. Экспорт необходим для интеграции твоей модели с различными программными приложениями или аппаратными устройствами, что часто приводит к значительному приросту производительности.

Track#

Режим Track расширяет возможности обнаружения объектов YOLO26 для отслеживания объектов по кадрам видео или прямым трансляциям. Этот режим особенно ценен для приложений, требующих постоянной идентификации объектов, таких как surveillance systems или self-driving cars. Он включает в себя шесть трекеров: TrackTrack (по умолчанию), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT и FastTracker.

Benchmark#

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 для различных форматов, таких как ONNX, OpenVINO и TensorRT. Бенчмаркинг помогает выбрать оптимальный формат экспорта на основе твоих конкретных требований к скорости и точности в среде развертывания.

Часто задаваемые вопросы#

  • Обучение пользовательской модели обнаружения объектов с помощью Ultralytics YOLO26 предполагает использование режима train. Тебе понадобится датасет, отформатированный в YOLO format, содержащий изображения и соответствующие файлы аннотаций. Используй следующую команду для запуска процесса обучения:

    Пример
    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 Ultralytics Train Guide.

  • 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 реальными ограничивающими рамками ( bounding boxes ).
    • Precision и Recall: Precision измеряет отношение истинно положительных обнаружений ко всем обнаруженным позитивам, в то время как recall измеряет отношение истинно положительных обнаружений ко всем фактическим позитивам.

    Ты можешь запустить следующую команду для запуска валидации:

    Пример
    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 Validation Guide для получения дополнительной информации.

  • Ultralytics YOLO26 предлагает функцию экспорта для конвертации твоей обученной модели в различные форматы развертывания, такие как ONNX, TensorRT, CoreML и другие. Используй следующий пример для экспорта модели:

    Пример
    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 Export Guide.

  • Режим Benchmark в Ultralytics YOLO26 используется для анализа скорости и accuracy 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 выбрать наиболее подходящий формат для твоих нужд развертывания.

    Пример
    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, device=0)

    Для получения более подробной информации обратись к Benchmark Guide.

  • Трекинг объектов в реальном времени может быть реализован с использованием режима track в Ultralytics YOLO26. Этот режим расширяет возможности обнаружения объектов для отслеживания объектов по кадрам видео или прямым трансляциям. Используй следующий пример для включения трекинга:

    Пример
    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 Track Guide.

Участники
GLglenn-jocher17RAraimbekovm3ONonuralpszr2MImiles-deans-ultralytics1SEsergiuwaxmann1PDpderrenger1LEleonnil1MAMatthewNoyce1RIRizwanMunawar1

Комментарии