Link to this sectionДетекция объектов#

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

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.

Link to this sectionМодели#

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

Модели при первом использовании загружаются автоматически из последнего релиза Ultralytics.

• mAP^val указаны для одномодельных одномасштабных решений на наборе данных COCO val2017.
  Воспроизведи их с помощью yolo val detect data=coco.yaml device=0
• Скорость усреднена по изображениям COCO val с использованием инстанса Amazon EC2 P4d.
  Воспроизведи её с помощью yolo val detect data=coco.yaml batch=1 device=0|cpu
• Значения Params и FLOPs указаны для объединенной модели после model.fuse(), которая объединяет слои Conv и BatchNorm, а для end2end моделей удаляет вспомогательную «один-ко-многим» голову детекции. Предобученные чекпоинты сохраняют полную архитектуру обучения и могут показывать более высокие значения.

Link to this sectionОбучение#

Обучи YOLO26n на наборе данных COCO8 в течение 100 эпох при размере изображения 640. Полный список доступных аргументов смотри 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)

Смотри подробности режима train на странице Обучение. Модели обнаружения также можно обучать на облачных GPU через Ultralytics Platform.

Link to this sectionФормат набора данных#

Подробный формат набора данных для обнаружения YOLO можно найти в Руководстве по наборам данных. Чтобы конвертировать существующий набор данных из других форматов (например, COCO и т.д.) в формат YOLO, используй инструмент JSON2YOLO от Ultralytics. Ты также можешь аннотировать и управлять наборами данных для обнаружения непосредственно на Ultralytics Platform с помощью инструментов разметки с поддержкой ИИ.

Link to this sectionВалидация#

Проверь точность обученной модели YOLO26n на наборе данных COCO8. Аргументы не нужны, так как model сохраняет свои data обучения и аргументы как атрибуты 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

Link to this sectionПредсказание#

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

Полную информацию о режиме predict смотри на странице Predict.

Link to this sectionВывод результатов#

Обнаружение объектов возвращает один объект Results на каждое изображение. Основное поле предсказания — result.boxes, которое содержит координаты рамок, ID классов и показатели уверенности для каждого обнаруженного объекта.

Для получения информации о специфичных для задачи полях Results см. раздел Предсказания по задачам.

Link to this sectionЭкспорт#

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 модель в любой формат, используя аргумент format, например format='onnx' или format='engine'. Ты можешь выполнять предсказание или валидацию непосредственно на экспортированных моделях, например yolo predict model=yolo26n.onnx. Примеры использования отображаются для твоей модели после завершения экспорта.

Смотри подробную информацию об export на странице Export.

Link to this sectionFAQ#

Link to this sectionМогу ли я обучать и развертывать модели обнаружения без написания кода?#

Да. Ultralytics Platform предоставляет браузерный рабочий процесс для аннотирования наборов данных, обучения моделей обнаружения на облачных GPU и их развертывания на эндпоинтах для инференса. Посмотри Краткое руководство по платформе, чтобы начать.

Link to this sectionКак мне обучить модель YOLO26 на своем собственном наборе данных?#

Обучение модели YOLO26 на собственном наборе данных включает несколько шагов:

1. Подготовь набор данных: Убедись, что твой набор данных соответствует формату YOLO. За руководством обратись к нашему Руководству по наборам данных.
2. Загрузи модель: Используй библиотеку Ultralytics YOLO для загрузки предварительно обученной модели или создания новой модели из YAML-файла.
3. Обучи модель: Выполни 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)

Для получения подробных опций конфигурации посети страницу Конфигурация.

Link to this sectionКакие предварительно обученные модели доступны в YOLO26?#

Ultralytics YOLO26 предлагает различные предварительно обученные модели для обнаружения объектов, сегментации экземпляров, семантической сегментации и оценки позы. Эти модели предварительно обучены на наборе данных COCO, Cityscapes для семантической сегментации или ImageNet для задач классификации. Вот некоторые из доступных моделей:

• YOLO26n
• YOLO26s
• YOLO26m
• YOLO26l
• YOLO26x

Для получения подробного списка и метрик производительности обратись к разделу Модели.

Link to this sectionКак я могу проверить точность своей обученной модели YOLO?#

Чтобы проверить точность твоей обученной модели YOLO26, ты можешь использовать метод .val() в Python или команду yolo detect val в CLI. Это предоставит метрики, такие 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

Для получения подробной информации о валидации посети страницу Val.

Link to this sectionВ какие форматы я могу экспортировать модель YOLO26?#

Ultralytics YOLO26 позволяет экспортировать модели в различные форматы, такие как ONNX, TensorRT, CoreML и другие, чтобы обеспечить совместимость с различными платформами и устройствами.

from ultralytics import YOLO

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

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

Ознакомься с полным списком поддерживаемых форматов и инструкциями на странице Экспорт.

Link to this sectionПочему мне стоит использовать Ultralytics YOLO26 для обнаружения объектов?#

Ultralytics YOLO26 разработан для обеспечения передовой производительности в обнаружении объектов, сегментации экземпляров, семантической сегментации и оценке позы. Вот несколько ключевых преимуществ:

1. Предобученные модели: Используй модели, предобученные на популярных наборах данных, таких как COCO и ImageNet, для ускорения разработки.
2. Высокая точность: Достигает впечатляющих показателей mAP, обеспечивая надежное обнаружение объектов.
3. Скорость: Оптимизирована для инференса в реальном времени, что делает её идеальной для приложений, требующих быстрой обработки.
4. Гибкость: Экспортируй модели в различные форматы, такие как ONNX и TensorRT, для развертывания на нескольких платформах.

Изучи наш Блог с примерами использования и историями успеха, демонстрирующими YOLO26 в действии.