Обнаружение объектов с помощью Ultralytics YOLO#

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

Результатом работы детектора объектов является набор ограничивающих рамок, охватывающих объекты на изображении, а также метки классов и оценки уверенности для каждой рамки. Обнаружение объектов подходит, когда тебе нужно идентифицировать интересующие объекты в сцене, но не требуется точно знать, где находится объект или какова его точная форма.

Модели#

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 автоматически загружаются из последнего релиза Ultralytics при первом использовании.

• mAP^val значения приводятся для одной модели в одном масштабе на датасете COCO val2017.
  Воспроизведи результат с помощью yolo val detect data=coco.yaml device=0. Добавь nms=False, чтобы воспроизвести столбец e2e.
• Значение скорости усреднено по изображениям COCO val с использованием экземпляра Amazon EC2 P4d.
  Воспроизвести можно с помощью yolo val detect data=coco.yaml batch=1 device=0|cpu nms=False
• Значения Params и FLOPs приводятся для слитных моделей после свертки/пакетной нормализации (Conv/BatchNorm folding) и удаления неиспользуемой ветки детекции. Предварительно обученные контрольные точки сохраняют полную архитектуру обучения и могут показывать большие значения.

Смотри предварительный просмотр unreleased YOLO27 для предварительных результатов детектирования COCO.

Обучение#

Обучи YOLO26n на наборе данных COCO8 в течение 100 эпох с размером изображения 640. Полный список доступных аргументов приведён 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)

Полное описание режима train смотри на странице Train. Модели обнаружения также можно обучать с помощью облачного обучения Ultralytics Platform.

Формат датасета#

Формат датасета детектирования YOLO подробно описан в руководстве по датасетам. Чтобы конвертировать существующий датасет COCO в формате JSON в формат YOLO, используй встроенную функцию convert_coco, описанную в руководстве по переходу от COCO к YOLO. Ты также можешь размечать датасеты детектирования и управлять ими с помощью инструментов разметки на базе ИИ на платформе Ultralytics Platform.

Val#

Проверь точность обученной модели YOLO26n на наборе данных COCO8. Аргументы не требуются, поскольку model сохраняет параметры обучения 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

Predict#

Используй 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

Полное описание режима predict см. на странице Predict.

Выходные данные результатов#

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

Описание специфичных для задач полей Results для всех задач см. в разделе Результаты предсказаний по задачам.

Экспорт#

Экспортируй модель YOLO26n в другой формат, например ONNX, CoreML и другие.

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 с помощью аргумента format, например format='onnx' или format='engine'. Ты можешь выполнять предсказания или валидацию непосредственно на экспортированных моделях, например yolo predict model=yolo26n.onnx. После завершения экспорта для твоей модели будут показаны примеры использования.

nms=None по умолчанию выдает сырые результаты для внешнего NMS. Установи nms=False, чтобы выбрать доступный головной модуль без NMS; неподдерживаемые форматы возвращаются к своему родному пути вывода. Записи nms выше определяют форматы, которые могут встраивать NMS с помощью nms=True.

Полное описание export см. на странице Экспорт.

Часто задаваемые вопросы#