Обнаружение объектов с Ultralytics YOLO#

Обнаружение объектов — это задача, в которой определяется местоположение и класс объектов на изображении или в видеопотоке.

Результат работы детектора объектов — набор ограничивающих рамок, охватывающих объекты на изображении, а также метки классов и оценки уверенности для каждой рамки. Обнаружение объектов подходит, когда нужно выявить интересующие объекты в сцене, но точная форма объектов не важна.

Модели#

Ниже представлены модели YOLO26 Detect, предварительно обученные на датасете COCO.

Модели автоматически загружаются из последнего релиза Ultralytics при первом использовании.

• Значения mAP^val рассчитаны для одной модели и одного масштаба на датасете COCO val2017.
  Воспроизведи результаты с помощью yolo detect val data=coco.yaml device=0. Добавь nms=False, чтобы воспроизвести данные в столбце e2e.
• Скорость рассчитана как среднее значение по изображениям COCO val: ONNX на CPU и TensorRT10 на GPU NVIDIA T4.
  Воспроизведи результаты с помощью yolo detect val data=coco.yaml batch=1 device=0|cpu nms=False.
• Значения Params и FLOPs указаны для объединённых моделей после свёртки Conv/BatchNorm и удаления неиспользуемой ветви обнаружения. Предварительно обученные контрольные точки сохраняют полную архитектуру обучения, поэтому их показатели могут быть выше.

Предварительные результаты обнаружения объектов на COCO см. в предварительной версии YOLO27, ещё не выпущенной.

Обучение#

Обучи YOLO26n на датасете COCO8 в течение 100 эпох с размером изображения 640. Полный список доступных аргументов см. на странице Конфигурация.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.yaml")  # создать новую модель из YAML
model = YOLO("yolo26n.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # создать модель из YAML и перенести веса

# Обучить модель
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Полное описание режима train см. на странице Обучение. Модели обнаружения объектов также можно обучать с помощью облачного обучения на платформе Ultralytics.

Формат датасета#

Подробное описание формата датасета YOLO для обнаружения объектов приведено в руководстве по датасетам. Чтобы преобразовать существующий датасет COCO в формате JSON в формат YOLO, используй встроенную функцию convert_coco, описанную в руководстве по преобразованию COCO в YOLO. Также можно размечать датасеты для обнаружения объектов и управлять ими с помощью инструментов разметки с поддержкой ИИ на платформе Ultralytics.

Валидация#

Проверь точность обученной модели YOLO26n. Аргументы не нужны: model сохраняет параметры обучения data и аргументы как атрибуты модели; path/to/best.pt из примера Обучение выполняет проверку на COCO8. В официальных весах указан путь к датасету обучения, которого нет на твоём компьютере, поэтому вместо него используется датасет задачи по умолчанию coco8.yaml и выводится предупреждение. Передай data, чтобы проверить модель на другом датасете.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")  # загрузить официальную модель
model = YOLO("path/to/best.pt")  # загрузить пользовательскую модель

# Валидировать модель
metrics = model.val()  # аргументы не нужны, набор данных и настройки сохранены
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # список значений mAP50-95 для каждой категории
metrics.box.image_metrics  # словарь метрик для каждого изображения: precision, recall, F1, TP, FP и FN

Предсказание#

Используй обученную модель YOLO26n, чтобы получить предсказания для изображений.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")  # загрузить официальную модель
model = YOLO("path/to/best.pt")  # загрузить пользовательскую модель

# Получи предсказания с помощью модели
results = model("https://ultralytics.com/images/bus.jpg")  # получи предсказание для изображения

# Обратись к результатам
for result in results:
    xywh = result.boxes.xywh  # центр-x, центр-y, ширина, высота
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # левый верхний угол-x, левый верхний угол-y, правый нижний угол-x, правый нижний угол-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # название класса каждой рамки
    confs = result.boxes.conf  # оценка уверенности каждой рамки

Полное описание режима predict см. на странице Предсказание.

Результаты работы#

При обнаружении объектов для каждого изображения возвращается объект Results. Основное поле предсказания — result.boxes, в котором содержатся координаты рамок, идентификаторы классов и оценки уверенности для каждого обнаруженного объекта.

Описание полей Results, специфичных для каждой задачи, см. в разделе Результаты предсказаний по задачам.

Экспорт#

Экспортируй модель YOLO26n в другой формат, например ONNX или CoreML.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")  # загрузить официальную модель
model = YOLO("path/to/best.pt")  # загрузить пользовательскую модель

# Экспортировать модель
model.export(format="onnx")

Доступные форматы экспорта YOLO26 перечислены в таблице ниже. Экспортировать модель можно в любой формат, используя аргумент format, например format='onnx' или format='engine'. Можно сразу выполнять предсказания или проверку экспортированных моделей, например yolo predict model=yolo26n.onnx. После завершения экспорта для твоей модели будут показаны примеры использования.

nms=None по умолчанию возвращает исходные выходные данные для внешней NMS. Укажи nms=False, чтобы выбрать доступную голову без NMS; неподдерживаемые форматы используют собственный путь вывода. Элементы nms выше обозначают форматы, в которые можно встроить NMS с помощью nms=True.

Полное описание export смотри на странице экспорта.

Часто задаваемые вопросы#