YOLO Vision 2026:

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 сбора данных и обучения модели до валидации, развертывания и отслеживания в реальном времени. Каждый режим служит для определенной цели и разработан так, чтобы предоставить тебе гибкость и эффективность, необходимые для различных задач и сценариев использования.



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

Обзор 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 model deployment 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.

Train#

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.

Примеры обучения

Val#

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

Примеры валидации

Predict#

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.

Примеры предсказания

Export#

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.

Примеры экспорта

Track#

Режим Track расширяет возможности обнаружения объектов в YOLO26 для отслеживания объектов по видеокадрам или в прямом эфире. Этот режим особенно ценен для приложений, требующих постоянной идентификации объектов, таких как системы видеонаблюдения или беспилотные автомобили. Он включает шесть трекеров: TrackTrack (по умолчанию), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT и FastTracker.

Примеры трекинга

Benchmark#

Режим Benchmark профилирует скорость и точность различных форматов экспорта для YOLO26. Этот режим предоставляет комплексные 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.

Примеры бенчмаркинга

FAQ#

  • Обучение пользовательской модели обнаружения объектов с помощью Ultralytics YOLO26 предполагает использование режима train. Тебе нужен 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)

    Для получения более подробных инструкций ты можешь обратиться к 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 истинными ограничивающими рамками (BBox).
    • Precision и Recall: Precision измеряет отношение истинных срабатываний к общему числу обнаруженных срабатываний, в то время как recall измеряет отношение истинных срабатываний к общему числу фактических срабатываний.

    Ты можешь выполнить следующую команду, чтобы запустить валидацию:

    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 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:

    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 для различных аппаратных настроек, помогая тебе 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.

  • 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:

    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-jocher16RAraimbekovm3ONonuralpszr2MImiles-deans-ultralytics1SEsergiuwaxmann1PDpderrenger1LEleonnil1MAMatthewNoyce1RIRizwanMunawar1

Комментарии