Обнаружение объектов с помощью Ultralytics YOLO#

Object detection — это задача, которая заключается в определении местоположения и класса объектов на изображении или в видеопотоке.

Результатом работы детектора объектов является набор ограничивающих рамок (bounding boxes), которые охватывают объекты на изображении, вместе с метками классов и показателями уверенности для каждой рамки. Обнаружение объектов — хороший выбор, когда тебе нужно идентифицировать интересующие объекты в сцене, но не обязательно знать их точное расположение или точную форму.

Модели#

Здесь представлены предварительно обученные модели YOLO26 Detect. Модели Detect, Segment и Pose предварительно обучены на датасете COCO, Semantic модели предварительно обучены на Cityscapes, а модели Classify предварительно обучены на датасете ImageNet.

Models скачиваются автоматически из последнего релиза Ultralytics при первом использовании.

• Значения mAP^val указаны для одной модели в одном масштабе на датасете COCO val2017.
  Воспроизведите с помощью yolo val detect data=coco.yaml device=0
• Speed усреднена по изображениям COCO val с использованием инстанса Amazon EC2 P4d.
  Воспроизведите с помощью yolo val detect data=coco.yaml batch=1 device=0|cpu
• Значения Params и FLOPs даны для слитной модели после model.fuse(), которая объединяет слои Conv и BatchNorm и, для моделей end2end, удаляет вспомогательную голову детекции «один ко многим». Предварительно обученные чекпоинты сохраняют полную архитектуру обучения и могут показывать большие значения.

Обучение#

Обучи YOLO26n на датасете COCO8 в течение 100 эпох при размере изображения 640. Полный список доступных аргументов смотри на странице Configuration.

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)

Подробности о режиме train смотри на странице Train. Модели детекции также могут быть обучены с помощью облачного обучения Ultralytics Platform.

Формат набора данных#

Формат датасета детекции YOLO подробно описан в руководстве по датасетам. Чтобы конвертировать свой существующий датасет из других форматов (например, COCO и т. д.) в формат YOLO, используй инструмент JSON2YOLO от Ultralytics. Ты также можешь размечать датасеты детекции и управлять ими с помощью инструментов разметки на базе ИИ от Ultralytics Platform.

Валидация#

Выполни валидацию точности обученной модели YOLO26n на датасете COCO8. Никаких аргументов не требуется, так как model сохраняет свои 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
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Предсказание#

Используй обученную модель YOLO26n для запуска 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

Смотри полную информацию о режиме predict на странице Предсказание.

Вывод результатов#

Обнаружение объектов возвращает один объект Results на изображение. Основным полем предсказания является result.boxes, которое содержит координаты рамки, идентификаторы классов и оценки уверенности для каждого обнаруженного объекта.

Информацию о специфичных для задач полях Results для каждой задачи см. в разделе Результаты предсказания по задачам.

Экспорт#

Экспортируй модель YOLO26n в другой формат, например 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")

Доступные форматы экспорта YOLO26 приведены в таблице ниже. Ты можешь экспортировать в любой формат, используя аргумент format, то есть format='onnx' или format='engine'. Ты можешь выполнять предсказание или валидацию напрямую на экспортированных моделях, то есть yolo predict model=yolo26n.onnx. Примеры использования отображаются для твоей модели после завершения экспорта.

Смотри полную информацию об export на странице Экспорт.

FAQ#