Обнаружение объектов

Обнаружение объектов — это задача, которая включает в себя определение местоположения и класса объектов на изображении или в видеопотоке.

Результатом работы детектора объектов является набор ограничивающих рамок, которые заключают объекты на изображении, а также метки классов и оценки достоверности для каждой рамки. Обнаружение объектов — хороший выбор, когда вам нужно идентифицировать интересующие объекты в сцене, но вам не нужно точно знать, где находится объект или его точную форму.

Смотреть: Обнаружение объектов с помощью предварительно обученной модели Ultralytics YOLO.

Модели

Здесь показаны предварительно обученные модели YOLO26 Detect. Модели Detect, Segment и Pose предварительно обучены на наборе данных COCO, в то время как модели Classify предварительно обучены на наборе данных ImageNet.

Модели загружаются автоматически из последнего релиза Ultralytics при первом использовании.

• mAP^val значения для одномодельной одномасштабной модели на COCO val2017 наборе данных.
  Воспроизвести с помощью yolo val detect data=coco.yaml device=0
• Скорость в среднем по изображениям COCO val с использованием Amazon EC2 P4d instance.
  Воспроизвести с помощью yolo val detect data=coco.yaml batch=1 device=0|cpu

Обучение

Обучите YOLO26n на наборе данных COCO8 в течение 100 эпох при размере изображения 640. Полный список доступных аргументов см. на странице Конфигурация.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

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

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo26n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo26n.yaml pretrained=yolo26n.pt epochs=100 imgsz=640

Формат набора данных

Подробное описание формата набора данных для detect YOLO можно найти в Руководстве по наборам данных. Чтобы преобразовать существующий набор данных из других форматов (например, COCO и т.д.) в формат YOLO, используйте инструмент JSON2YOLO от Ultralytics.

Валидация

Проверьте обученную модель YOLO26n точность на наборе данных COCO8. Никакие аргументы не требуются, так как model сохраняет свое обучение data и аргументы в качестве атрибутов модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category

yolo detect val model=yolo26n.pt      # val official model
yolo detect val model=path/to/best.pt # val custom model

Прогнозирование

Используйте обученную модель YOLO26n для выполнения предсказаний на изображениях.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    xywh = result.boxes.xywh  # center-x, center-y, width, height
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # top-left-x, top-left-y, bottom-right-x, bottom-right-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # class name of each box
    confs = result.boxes.conf  # confidence score of each box

yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'      # predict with official model
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg' # predict with custom model

Смотрите полную информацию о predict деталях режима в Прогнозирование странице.

Экспорт

Экспортируйте модель YOLO26n в другой формат, такой как ONNX, CoreML и т. д.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

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

yolo export model=yolo26n.pt format=onnx      # export official model
yolo export model=path/to/best.pt format=onnx # export custom-trained model

Доступные форматы экспорта YOLO26 приведены в таблице ниже. Вы можете экспортировать в любой формат, используя format аргумент, т.е., format='onnx' или format='engine'Вы можете выполнять предсказания или валидацию непосредственно на экспортированных моделях, т.е., yolo predict model=yolo26n.onnx. Примеры использования отображаются для вашей модели после завершения экспорта.

Смотрите полную информацию о export подробности в Экспорт странице.

Часто задаваемые вопросы

Как обучить модель YOLO26 на моем пользовательском наборе данных?

Обучение модели YOLO26 на пользовательском наборе данных включает несколько шагов:

1. Подготовьте набор данных: убедитесь, что ваш набор данных находится в формате YOLO. Для получения инструкций обратитесь к нашему Руководству по наборам данных.
2. Загрузка модели: Используйте библиотеку Ultralytics YOLO для загрузки предварительно обученной модели или создания новой модели из YAML-файла.
3. Обучение модели: Выполните метод train в python или команду yolo detect train в CLI.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)

yolo detect train data=my_custom_dataset.yaml model=yolo26n.pt epochs=100 imgsz=640

Подробные параметры конфигурации можно найти на странице Конфигурация.

Какие предварительно обученные модели доступны в YOLO26?

Ultralytics YOLO26 предлагает различные предобученные модели для detect объектов, segment и оценки позы. Эти модели предобучены на наборе данных COCO или ImageNet для задач classify. Вот некоторые из доступных моделей:

• YOLO26n
• YOLO26s
• YOLO26m
• YOLO26l
• YOLO26x

Подробный список и показатели производительности можно найти в разделе Модели.

Как я могу проверить точность моей обученной модели YOLO?

Чтобы проверить точность вашей обученной модели YOLO26, вы можете использовать .val() в python или команду yolo detect val команда в CLI. Это предоставит такие метрики, как mAP50-95, mAP50 и другие.

from ultralytics import YOLO

# Load the model
model = YOLO("path/to/best.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # mAP50-95

yolo detect val model=path/to/best.pt

Для получения более подробной информации о валидации посетите страницу Val.

В какие форматы я могу экспортировать модель YOLO26?

Ultralytics YOLO26 позволяет экспортировать модели в различные форматы, такие как ONNX, TensorRT, CoreML и другие, для обеспечения совместимости на различных платформах и устройствах.

from ultralytics import YOLO

# Load the model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format
model.export(format="onnx")

yolo export model=yolo26n.pt format=onnx

Полный список поддерживаемых форматов и инструкции можно найти на странице Экспорт.

Почему я должен использовать Ultralytics YOLO26 для обнаружения объектов?

Ultralytics YOLO26 разработан для обеспечения передовой производительности для detect объектов, segment и оценки позы. Вот некоторые ключевые преимущества:

1. Предобученные модели: Используйте модели, предобученные на популярных наборах данных, таких как COCO и ImageNet, для ускоренной разработки.
2. Высокая точность: Достигает впечатляющих показателей mAP, обеспечивая надежный object detection.
3. Скорость: Оптимизирована для инференса в реальном времени, что делает ее идеальной для приложений, требующих быстрой обработки.
4. Гибкость: Экспортируйте модели в различные форматы, такие как ONNX и TensorRT, для развертывания на различных платформах.

Изучите наш Блог для примеров использования и историй успеха, демонстрирующих YOLO26 в действии.

📅 Создано 2 лет назад ✏️ Обновлено 2 дней назад

Комментарии