Ultralytics YOLO27:

Задачи компьютерного зрения, поддерживаемые Ultralytics YOLO26#

Ultralytics YOLO supported computer vision tasks

Ultralytics YOLO26 — это универсальный ИИ-фреймворк, поддерживающий несколько компьютерного зрения задач. Фреймворк можно использовать для выполнения детекция, сегментация, семантическая сегментация, оценка глубины, классификация, поза оценка и OBB. Каждая из этих задач имеет свою цель и сценарий использования, позволяя решать различные задачи компьютерного зрения с помощью единого фреймворка.

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: Explore Ultralytics YOLO26 Tasks: Object Detection, Segmentation, Depth Estimation, Classification, Pose Estimation, and OBB.

Обнаружение#

Детекция — это основная задача, поддерживаемая YOLO26. Она заключается в обнаружении объектов на изображении или кадре видео и построении ограничивающих рамок вокруг них. Обнаруженные объекты классифицируются по различным категориям на основе их признаков. YOLO26 способна обнаруживать несколько объектов на одном изображении или кадре видео с высокой точность и скоростью, что делает ее идеальной для приложений реального времени, таких как системы видеонаблюдения и автономные транспортные средства.

Примеры детекции

Сегментация экземпляров#

Сегментация развивает задачу детекции объектов, создавая маски на уровне пикселей для каждого объекта. Такая точность полезна для таких приложений, как медицинская визуализация, агроанализ и контроль качества на производстве.

Примеры сегментации

Семантическая сегментация#

Семантическая сегментация присваивает метку класса каждому пикселю на изображении, создавая плотную карту классов всей сцены. В отличие от сегментации экземпляров, она не различает отдельные объекты одного и того же класса. Это делает ее идеальной для автономное вождение, анализ сцен и картирования земельного покрова, где понимание полной пространственной структуры важнее идентификации отдельных объектов.

Примеры семантической сегментации

Оценка глубины#

Монокулярная оценка глубины прогнозирует карту глубины для каждого пикселя в метрах по одному RGB-изображению. На выходе получается плотная карта чисел с плавающей точкой, выровненная по входному изображению, что делает ее подходящей для реконструкции 3D-сцен, навигации роботов и приложений дополненной/виртуальной реальности, где пространственное положение необходимо определять по одной камере.

Примеры оценки глубины

Классификация#

Классификация заключается в распределении целых изображений по категориям на основе их содержимого. Эта задача важна для таких приложений, как категоризация товаров в электронной коммерции, модерация контента и мониторинг дикой природы.

Примеры классификации

Оценка позы#

Оценка позы обнаруживает определенные ключевые точки на изображениях или кадрах видео для отслеживания движений или оценки поз. Эти ключевые точки могут представлять суставы человека, черты лица или другие значимые точки интереса. YOLO26 превосходно справляется с обнаружением ключевых точек с высокой точностью и скоростью, что делает ее ценной для фитнес-приложений, спортивная аналитика и взаимодействие человека с компьютером.

Примеры поз

OBB#

Детекция с ориентированными ограничивающими рамками (OBB) дополняет традиционную детекцию объектов углом ориентации для более точного определения повернутых объектов. Эта возможность особенно ценна для анализ аэрофотоснимков, обработка документов и промышленные приложения, где объекты появляются под разными углами. YOLO26 обеспечивает высокую точность и скорость обнаружения повернутых объектов в различных сценариях.

Ориентированная детекция

Заключение#

Ultralytics YOLO26 поддерживает множество задач компьютерного зрения, включая детекцию, сегментацию экземпляров, семантическую сегментацию, монокулярную оценку глубины, классификацию, обнаружение ключевых точек и детекцию ориентированных объектов. Каждая задача решает конкретные потребности в области компьютерного зрения: от базовой идентификации объектов до плотного вывода глубины для каждого пикселя. Понимая возможности и сценарии применения каждой задачи, ты можешь выбрать наиболее подходящий подход для своих специфических задач компьютерного зрения и задействовать мощные функции YOLO26 для создания эффективных решений.

Что дальше#

Выбрал задачу? Отформатируй свои данные для нее с помощью руководства по датасетам, а затем обучай на собственных изображениях.

Часто задаваемые вопросы#

  • Ultralytics YOLO26 — это универсальный ИИ-фреймворк, способный выполнять различные задачи компьютерного зрения с высокой точностью и скоростью. К таким задачам относятся:

    • Детекция объектов: Обнаружение и локализация объектов на изображениях или кадрах видео путем построения ограничивающих рамок вокруг них.
    • Сегментация экземпляров: Создание маски на уровне пикселей для каждого обнаруженного объекта, что полезно для таких приложений, как медицинская визуализация.
    • Семантическая сегментация: Назначение метки класса каждому пикселю на изображении для детального понимания сцены.
    • Оценка глубины: Прогнозирование карты глубины для каждого пикселя в метрах по одному изображению RGB.
    • Классификация: Распределение целых изображений по категориям на основе их содержимого.
    • Оценка позы: Обнаружение определенных ключевых точек на изображении или кадре видео для отслеживания движений или поз.
    • Детекция ориентированных объектов (OBB): Обнаружение повернутых объектов с добавлением угла ориентации для повышения точности.

  • Чтобы использовать Ultralytics YOLO26 для детекции объектов, выполни следующие действия:

    1. Подготовь свой датасет в соответствующем формате.
    2. Обучи модель YOLO26, используя задачу детекции.
    3. Используй модель для выполнения предсказаний, подавая новые изображения или кадры видео.
    Пример
    from ultralytics import YOLO

# Load a pretrained YOLO model (adjust model type as needed)
model = YOLO("yolo26n.pt")  # n, s, m, l, x versions available

# Perform object detection on an image
results = model.predict(source="image.jpg")  # Can also use video, directory, URL, etc.

# Display the results
results[0].show()  # Show the first image results

    Более подробные инструкции можно найти в наших примерах детекции.

  • Использование YOLO26 для задач сегментации дает ряд преимуществ:

    1. Высокая точность: Задача сегментации предоставляет точные маски на уровне пикселей.
    2. Скорость: YOLO26 оптимизирована для приложений реального времени, обеспечивая быструю обработку даже для изображений высокого разрешения.
    3. Множество применений: Она идеальна для медицинской визуализации, автономного вождения и других приложений, требующих детальной сегментации изображений.

    Узнай больше о преимуществах и сценариях использования YOLO26 для сегментации в разделе сегментации изображений.

  • Да, Ultralytics YOLO26 может эффективно выполнять оценку позы и обнаружение ключевых точек с высокой точностью и скоростью. Эта функция особенно полезна для отслеживания движений в спортивной аналитике, здравоохранении и приложениях взаимодействия человека с компьютером. YOLO26 обнаруживает ключевые точки на изображении или кадре видео, позволяя осуществлять точную оценку позы.

    Для получения более подробной информации и советов по внедрению посети наши примеры оценки позы.

  • Детекция ориентированных объектов (OBB) с помощью YOLO26 обеспечивает повышенную точность благодаря обнаружению объектов с дополнительным параметром угла. Эта функция полезна для приложений, требующих точной локализации повернутых объектов, таких как анализ аэрофотоснимков и автоматизация складов.

    • Повышенная точность: Компонент угла уменьшает количество ложноположительных срабатываний для повернутых объектов.
    • Универсальные приложения: Полезно для задач геопространственного анализа, робототехники и т. д.

    Ознакомься с разделом детекции ориентированных объектов для получения более подробной информации и примеров.

Участники
GLglenn-jocher21RIRizwanMunawar3RAraimbekovm3BOBovey08091MImiles-deans-ultralytics1LALaughing-q1PDpderrenger1LEleonnil1LELexBarou1MAMatthewNoyce1

Комментарии