Ultralytics YOLO11 Задачи

YOLO11 это фреймворк искусственного интеллекта, который поддерживает множество задач компьютерного зрения. С помощью фреймворка можно выполнять обнаружение, сегментацию, obb, классификацию и оценку позы. У каждой из этих задач своя цель и свой сценарий использования.

Смотреть: Изучите сайт Ultralytics YOLO Задачи: Обнаружение объектовСегментация, OBB, отслеживание и оценка позы.

Обнаружение

Обнаружение - основная задача, которую поддерживает YOLO11. Она включает в себя обнаружение объектов в изображении или видеокадре и рисование ограничивающих рамок вокруг них. Обнаруженные объекты классифицируются по различным категориям на основе их характеристик. YOLO11 может обнаружить несколько объектов в одном изображении или видеокадре с высокой точностью и скоростью.

Примеры обнаружения

Сегментация

Сегментация - это задача, которая заключается в разделении изображения на различные области на основе содержимого изображения. Каждому региону присваивается метка, основанная на его содержании. Эта задача полезна в таких приложениях, как сегментация изображений и медицинская визуализация. YOLO11 использует вариант архитектуры U-Net для выполнения сегментации.

Примеры сегментации

Классификация

Классификация - это задача, которая заключается в отнесении изображения к различным категориям. YOLO11 можно использовать для классификации изображений на основе их содержания. Для классификации используется вариант архитектуры EfficientNet.

Примеры классификации

Поза

Определение позы/ключевых точек - это задача, которая заключается в обнаружении определенных точек в изображении или видеокадре. Эти точки называются ключевыми и используются для отслеживания движения или оценки позы. YOLO11 позволяет обнаруживать ключевые точки в изображении или видеокадре с высокой точностью и скоростью.

Примеры поз

OBB

Ориентированное обнаружение объектов - это шаг вперед по сравнению с обычным обнаружением объектов, поскольку вводится дополнительный угол для более точного определения местоположения объектов на изображении. YOLO11 позволяет обнаруживать повернутые объекты на изображении или видеокадре с высокой точностью и скоростью.

Ориентированное обнаружение

Заключение

YOLO11 поддерживает множество задач, включая обнаружение, сегментацию, классификацию, обнаружение ориентированных объектов и ключевых точек. Каждая из этих задач имеет свои цели и варианты использования. Понимая различия между этими задачами, вы сможете выбрать подходящую задачу для своего приложения компьютерного зрения.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Какие задачи может выполнять Ultralytics YOLO11 ?

Ultralytics YOLO11 это универсальная система искусственного интеллекта, способная выполнять различные задачи компьютерного зрения с высокой точностью и скоростью. К таким задачам относятся:

• Обнаружение: Идентификация и локализация объектов на изображениях или видеокадрах путем построения вокруг них ограничительных рамок.
• Сегментация: Сегментирование изображений на различные области на основе их содержания, полезное для таких приложений, как медицинская визуализация.
• Классификация: Классификация целых изображений на основе их содержания с использованием вариантов архитектуры EfficientNet.
• Оценка позы: Обнаружение определенных ключевых точек в изображении или видеокадре для отслеживания движений или поз.
• Обнаружение ориентированных объектов (OBB): Обнаружение повернутых объектов с добавлением угла ориентации для повышения точности.

Как использовать Ultralytics YOLO11 для обнаружения объектов?

Чтобы использовать Ultralytics YOLO11 для обнаружения объектов, выполните следующие действия:

1. Подготовьте набор данных в соответствующем формате.
2. Обучите модель YOLO11 , используя задачу обнаружения.
3. Используйте модель для составления прогнозов, вводя новые изображения или видеокадры.

from ultralytics import YOLO

# Load a pre-trained YOLO model (adjust model type as needed)
model = YOLO("yolo11n.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

# Run YOLO detection from the command line
yolo detect model=yolo11n.pt source="image.jpg"  # Adjust model and source as needed

Для получения более подробных инструкций ознакомьтесь с нашими примерами обнаружения.

В чем преимущества использования YOLO11 для решения задач сегментации?

Использование сайта YOLO11 для решения задач сегментации дает несколько преимуществ:

1. Высокая точность: В задаче сегментации используется вариант архитектуры U-Net для достижения точной сегментации.
2. Скорость: YOLO11 оптимизирован для работы в режиме реального времени и обеспечивает быструю обработку даже изображений высокого разрешения.
3. Множество применений: Он идеально подходит для медицинской визуализации, автономного вождения и других приложений, требующих детальной сегментации изображений.

Подробнее о преимуществах и вариантах использования YOLO11 для сегментации читайте в разделе "Сегментация".

Может ли Ultralytics YOLO11 справиться с оценкой положения и определением ключевых точек?

Да, Ultralytics YOLO11 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 и компьютера. YOLO11 обнаруживает ключевые точки в изображении или видеокадре, что позволяет точно оценить позу.

Для получения более подробной информации и советов по реализации посетите наши примеры оценки позы.

Почему стоит выбрать Ultralytics YOLO11 для обнаружения ориентированных объектов (OBB)?

Функция обнаружения ориентированных объектов (OBB) с YOLO11 обеспечивает повышенную точность за счет обнаружения объектов с дополнительным угловым параметром. Эта функция полезна для приложений, требующих точной локализации повернутых объектов, таких как анализ аэрофотоснимков и автоматизация складов.

• Повышенная точность: Компонент угла уменьшает количество ложных срабатываний для повернутых объектов.
• Универсальное применение: Пригодится для задач геопространственного анализа, робототехники и т.д.

Более подробную информацию и примеры смотрите в разделе "Обнаружение ориентированных объектов".

📅 Создано 1 год назад ✏️ Обновлено 14 дней назад

Комментарии