Ultralytics YOLOv8 Режимы

Введение

Ultralytics YOLOv8 - это не просто еще одна модель обнаружения объектов; это универсальный фреймворк, созданный для того, чтобы охватить весь жизненный цикл моделей машинного обучения - от ввода данных и обучения модели до проверки, развертывания и отслеживания в реальных условиях. Каждый режим служит конкретной цели и разработан так, чтобы обеспечить тебе гибкость и эффективность, необходимые для различных задач и случаев использования.

Смотри: Ultralytics Режимы Самоучитель: Train, Validate, Predict, Export & Benchmark.

Режимы с первого взгляда

Понимание различных режимов, которые поддерживает Ultralytics YOLOv8 , очень важно для получения максимальной отдачи от твоих моделей:

• Режим тренировки: Уточни свою модель на пользовательских или предварительно загруженных наборах данных.
• Режим Val: Контрольная точка после тренировки для проверки работоспособности модели.
• Режим Predict: Раскрой предсказательную силу своей модели на реальных данных.
• Режим экспорта: Сделай свою модель готовой к развертыванию в различных форматах.
• Режим слежения: Расширь свою модель обнаружения объектов до приложений слежения в реальном времени.
• Режим бенчмарка: Проанализируй скорость и точность твоей модели в различных средах развертывания.

Это исчерпывающее руководство призвано дать тебе обзор и практическое представление о каждом режиме, помогая тебе использовать весь потенциал YOLOv8.

Поезд

Режим Train используется для обучения модели YOLOv8 на пользовательском наборе данных. В этом режиме модель обучается на заданном наборе данных и гиперпараметрах. Процесс обучения заключается в оптимизации параметров модели, чтобы она могла точно предсказывать классы и местоположение объектов на изображении.

Примеры поездов

Вэл

Режим Val используется для проверки модели YOLOv8 после ее обучения. В этом режиме модель оценивается на валидационном множестве, чтобы измерить ее точность и эффективность обобщения. Этот режим можно использовать для настройки гиперпараметров модели, чтобы улучшить ее производительность.

Примеры валов

Предсказывай

Режим Predict используется для составления прогнозов с помощью обученной модели YOLOv8 на новых изображениях или видео. В этом режиме модель загружается из файла контрольной точки, а пользователь может предоставить изображения или видео для проведения умозаключений. Модель предсказывает классы и местоположение объектов на входных изображениях или видео.

Предсказать примеры

Экспорт

Режим экспорта используется для экспорта модели YOLOv8 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 производственной среде.

Примеры экспорта

Трек

Режим "Трек" используется для отслеживания объектов в реальном времени с помощью модели YOLOv8. В этом режиме модель загружается из файла контрольной точки, и пользователь может предоставить живой видеопоток для отслеживания объектов в реальном времени. Этот режим полезен для таких приложений, как системы наблюдения или самоуправляемые автомобили.

Примеры треков

Бенчмарк

Режим бенчмарка используется для оценки скорости и точности различных форматов экспорта для YOLOv8. Бенчмарки 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 на одно изображение в различных форматах экспорта, таких как ONNX, OpenVINO, TensorRT и другие. Эта информация может помочь пользователям выбрать оптимальный формат экспорта для конкретного случая использования, исходя из требований к скорости и точности.

Примеры эталонов

ВОПРОСЫ И ОТВЕТЫ

Как обучить пользовательскую модель обнаружения объектов с помощью Ultralytics YOLOv8 ?

Обучение пользовательской модели обнаружения объектов с помощью Ultralytics YOLOv8 предполагает использование режима обучения. Тебе понадобится набор данных, оформленный в формате YOLO , содержащий изображения и соответствующие файлы аннотаций. Чтобы запустить процесс обучения, используй следующую команду:

from ultralytics import YOLO

# Train a custom model
model = YOLO("yolov8n.pt")
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

yolo train data=path/to/dataset.yaml epochs=100 imgsz=640

За более подробными инструкциями ты можешь обратиться к руководству по тренировкамUltralytics .

Какие метрики использует Ultralytics YOLOv8 для проверки работоспособности модели?

Ultralytics YOLOv8 В процессе валидации используются различные метрики для оценки эффективности модели. К ним относятся:

• mAP (средняя средняя точность): Здесь оценивается 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 количеству обнаруженных положительных результатов, а recall - отношение истинно положительных обнаружений к общему количеству реальных положительных результатов.

Ты можешь выполнить следующую команду, чтобы запустить проверку:

from ultralytics import YOLO

# Validate the model
model = YOLO("yolov8n.pt")
model.val(data="path/to/validation.yaml")

yolo val data=path/to/validation.yaml

Подробнее об этом читай в руководстве по валидации.

Как я могу экспортировать свою модель YOLOv8 для развертывания?

Ultralytics YOLOv8 Предлагает функцию экспорта для преобразования твоей обученной модели в различные форматы развертывания, такие как ONNX, TensorRT, CoreML и другие. Используй следующий пример, чтобы экспортировать свою модель:

from ultralytics import YOLO

# Export the model
model = YOLO("yolov8n.pt")
model.export(format="onnx")

yolo export model=yolov8n.pt format=onnx

Подробные шаги для каждого формата экспорта можно найти в руководстве по экспорту.

Каково назначение режима бенчмарка в Ultralytics YOLOv8 ?

Режим Benchmark в Ultralytics YOLOv8 используется для анализа скорости и точности различных форматов экспорта, таких как ONNX, TensorRT, и OpenVINO. Он предоставляет такие метрики, как размер модели, mAP50-95 для обнаружения объектов, а также время вывода для различных аппаратных установок, что поможет тебе выбрать наиболее подходящий формат для твоих потребностей в развертывании.

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

yolo benchmark model=yolov8n.pt data='coco8.yaml' imgsz=640 half=False device=0

За более подробной информацией обращайся к руководству по бенчмаркам.

Как выполнить слежение за объектом в реальном времени с помощью Ultralytics YOLOv8 ?

Отслеживать объекты в реальном времени можно с помощью режима трекинга в разделе Ultralytics YOLOv8 . Этот режим расширяет возможности обнаружения объектов, позволяя отслеживать их по всем видеокадрам или прямым трансляциям. Чтобы включить режим отслеживания, воспользуйся следующим примером:

from ultralytics import YOLO

# Track objects in a video
model = YOLO("yolov8n.pt")
model.track(source="path/to/video.mp4")

yolo track source=path/to/video.mp4

Подробные инструкции можно найти в руководстве по треку.

Комментарии