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.

Примеры поездов

Вэл

Режим Val используется для проверки модели YOLO11 после ее обучения. В этом режиме модель оценивается на валидационном множестве для измерения ее точности и эффективности обобщения. Этот режим можно использовать для настройки гиперпараметров модели с целью улучшения ее производительности.

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 контрольных точек, а пользователь может предоставить изображения или видео для выполнения умозаключений. Модель предсказывает классы и местоположение объектов на входных изображениях или видео.

Предсказать примеры

Экспорт

Режим экспорта используется для экспорта модели YOLO11 в формат, который можно использовать для развертывания. В этом режиме модель преобразуется в формат, который может быть использован другими программными приложениями или аппаратными устройствами. Этот режим полезен при развертывании модели в производственных средах.

Примеры экспорта

Трек

Режим отслеживания используется для отслеживания объектов в реальном времени с помощью модели YOLO11 . В этом режиме модель загружается из файла контрольной точки, и пользователь может предоставить видеопоток для отслеживания объектов в реальном времени. Этот режим полезен для таких приложений, как системы наблюдения или самоуправляемые автомобили.

Примеры дорожек

Бенчмарк

Режим бенчмарка используется для оценки скорости и точности различных форматов экспорта для YOLO11. Эталоны предоставляют информацию о размере экспортируемого формата, его mAP50-95 метрики (для обнаружения объектов, сегментации и позиционирования) или accuracy_top5 метрики (для классификации), а также время вывода в миллисекундах для каждого изображения в различных форматах, таких как ONNX, OpenVINO, TensorRT и других. Эта информация поможет пользователям выбрать оптимальный формат экспорта для конкретного случая использования, исходя из требований к скорости и точности.

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 1 месяц назад

Комментарии