Ultralytics YOLO27:
Get Started

Режимы Ultralytics YOLO26#

Ultralytics YOLO ecosystem and integrations

Введение#

Ultralytics YOLO26 — это не просто ещё одна модель обнаружения объектов, а универсальный фреймворк, охватывающий весь жизненный цикл моделей машинного обучения: от загрузки данных и обучения модели до валидации, развёртывания и отслеживания объектов в реальных условиях. Каждый режим предназначен для конкретной задачи и разработан так, чтобы обеспечить гибкость и эффективность для разных задач и сценариев использования.

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#

Чтобы получить максимум от моделей, важно понимать, какие режимы поддерживает Ultralytics YOLO26:

  • Режим Train: дообучи модель на собственном или предварительно загруженном наборе данных.
  • Режим Val: проверь производительность модели по контрольной точке после обучения.
  • Режим Predict: используй возможности модели для предсказаний на реальных данных.
  • Режим Export: подготовь модель к развёртыванию в различных форматах.
  • Режим Track: расширь возможности модели обнаружения объектов, добавив отслеживание в реальном времени.
  • Режим Benchmark: оцени скорость и точность модели в различных средах развёртывания.

Это подробное руководство даёт обзор каждого режима и практические рекомендации, которые помогут раскрыть весь потенциал YOLO26.

Train#

Режим Train предназначен для обучения модели YOLO26 на собственном наборе данных. В этом режиме модель обучается с использованием заданного набора данных и гиперпараметров. Во время обучения оптимизируются параметры модели, чтобы она могла точно предсказывать классы и расположение объектов на изображении. Обучение необходимо для создания моделей, распознающих объекты, важные для твоего приложения.

Примеры Train

Val#

Режим Val предназначен для проверки модели YOLO26 после обучения. В этом режиме модель оценивается на валидационной выборке, чтобы измерить точность и способность к обобщению. Валидация помогает выявить потенциальные проблемы, например переобучение, и предоставляет метрики, такие как средняя точность (mAP), для количественной оценки производительности модели. Этот режим крайне важен для настройки гиперпараметров и повышения общей эффективности модели.

Примеры Val

Predict#

Режим Predict предназначен для выполнения предсказаний с помощью 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 выполнения инференса. Модель обнаруживает объекты во входных данных и определяет их местоположение, подготавливая результаты для применения в реальных условиях. Режим Predict позволяет использовать обученную модель для решения практических задач.

Примеры Predict

Export#

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 отслеживания расширяет возможности YOLO26 по обнаружению объектов, позволяя отслеживать объекты в видеокадрах или прямых трансляциях. Этот режим особенно полезен для приложений, которым требуется постоянная идентификация объектов, например для систем видеонаблюдения или беспилотных автомобилей. В него входят шесть трекеров: TrackTrack (по умолчанию), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT и FastTracker.

Примеры использования отслеживания

Тестирование производительности#

Режим тестирования производительности оценивает скорость и точность различных форматов экспорта YOLO26. В этом режиме приводятся подробные метрики размера модели, точности (mAP50-95 для обнаружения, сегментации, поз и OBB; mIoU для семантической сегментации; delta1 для глубины или accuracy_top1 для классификации) и времени вывода для разных форматов, таких как ONNX, OpenVINO и TensorRT. Тестирование помогает выбрать оптимальный формат экспорта с учетом 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.
    • Пересечение по объединению (IoU): измеряет степень перекрытия предсказанных ограничивающих рамок и ограничивающих рамок из эталонных данных.
    • 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 тестирования производительности в Ultralytics YOLO26 используется для анализа скорости и точности различных форматов экспорта, таких как ONNX, TensorRT и OpenVINO. Он показывает такие метрики, как размер модели, mAP50-95 для обнаружения объектов и время вывода на разных аппаратных конфигурациях, помогая выбрать наиболее подходящий формат для развертывания.

    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.

Участники
GLglenn-jocher18RAraimbekovm3ONonuralpszr2MImiles-deans-ultralytics1SEsergiuwaxmann1PDpderrenger1LEleonnil1MAMatthewNoyce1RIRizwanMunawar1

Комментарии