Перейти к содержанию

Обнаружение объектов

Примеры обнаружения объектов

Обнаружение объектов - это задача, которая заключается в определении местоположения и класса объектов в изображении или видеопотоке.

Результатом работы детектора объектов является набор ограничительных рамок, в которые заключены объекты на изображении, а также метки классов и баллы доверия для каждой рамки. Обнаружение объектов - хороший выбор, когда вам нужно определить интересующие вас объекты в сцене, но не нужно точно знать, где находится объект или его точную форму.



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

Наконечник

YOLO11 Модели обнаружения - это модели по умолчанию YOLO11 , т.е. yolo11n.pt и предварительно обучены на COCO.

Модели

YOLO11 Здесь показаны предварительно обученные модели Detect. Модели Detect, Segment и Pose предварительно обучены на наборе данных COCO, а модели Classify предварительно обучены на наборе данных ImageNet.

Модели автоматически загружаются из последнейверсии Ultralytics при первом использовании.

Модель размер
(пикселей)
mAPval
50-95
Скорость
CPU ONNX
(мс)
Скорость
T4TensorRT10
(мс)
params
(M)
FLOPs
(B)
YOLO11n 640 39.5 56.1 ± 0.8 1.5 ± 0.0 2.6 6.5
YOLO11s 640 47.0 90.0 ± 1.2 2.5 ± 0.0 9.4 21.5
YOLO11m 640 51.5 183.2 ± 2.0 4.7 ± 0.1 20.1 68.0
YOLO11l 640 53.4 238.6 ± 1.4 6.2 ± 0.1 25.3 86.9
YOLO11x 640 54.7 462.8 ± 6.7 11.3 ± 0.2 56.9 194.9
  • mAPval Значения приведены для одномодельного одномасштабного на COCO val2017 набор данных.
    Размножать по yolo val detect data=coco.yaml device=0
  • Скорость усреднение по изображениям COCO val с использованием Amazon EC2 P4d например.
    Размножать по yolo val detect data=coco.yaml batch=1 device=0|cpu

Поезд

Обучение YOLO11n на наборе данных COCO8 в течение 100 эпох при размере изображения 640. Полный список доступных аргументов см. на странице Конфигурация.

Пример

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.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=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.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=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

Формат набора данных

YOLO Формат наборов данных для обнаружения подробно описан в Руководстве по набору данных. Чтобы преобразовать существующий набор данных из других форматов (например, COCO и т.д.) в формат YOLO , воспользуйтесь инструментом JSON2YOLO по адресу Ultralytics.

Вэл

Проверка обученной модели YOLO11n точность на наборе данных COCO8. Аргументы не требуются, так как model сохраняет свою подготовку data и аргументы как атрибуты модели.

Пример

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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 contains map50-95 of each category
yolo detect val model=yolo11n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

Предсказать

Используйте обученную модель YOLO11n для прогнозирования изображений.

Пример

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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
yolo detect predict model=yolo11n.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

Смотреть полностью predict подробности о режиме в Предсказать страница.

Экспорт

Экспортируйте модель YOLO11n в другой формат, например ONNX, CoreML и т. д.

Пример

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Доступные форматы экспорта YOLO11 приведены в таблице ниже. Вы можете экспортировать в любой формат с помощью кнопки format аргумент, т.е. format='onnx' или format='engine'. Вы можете прогнозировать или проверять непосредственно на экспортированных моделях, т.е. yolo predict model=yolo11n.onnx. Примеры использования показаны для вашей модели после завершения экспорта.

Формат format Аргумент Модель Метаданные Аргументы
PyTorch - yolo11n.pt -
TorchScript torchscript yolo11n.torchscript imgsz, optimize, batch
ONNX onnx yolo11n.onnx imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolo11n_openvino_model/ imgsz, half, int8, batch
TensorRT engine yolo11n.engine imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolo11n.mlpackage imgsz, half, int8, nms, batch
TF SavedModel saved_model yolo11n_saved_model/ imgsz, keras, int8, batch
TF GraphDef pb yolo11n.pb imgsz, batch
TF Lite tflite yolo11n.tflite imgsz, half, int8, batch
TF Край TPU edgetpu yolo11n_edgetpu.tflite imgsz
TF.js tfjs yolo11n_web_model/ imgsz, half, int8, batch
PaddlePaddle paddle yolo11n_paddle_model/ imgsz, batch
MNN mnn yolo11n.mnn imgsz, batch, int8, half
NCNN ncnn yolo11n_ncnn_model/ imgsz, half, batch
IMX500 imx yolov8n_imx_model/ imgsz, int8

Смотреть полностью export подробности в Экспорт страница.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как обучить модель YOLO11 на пользовательском наборе данных?

Обучение модели YOLO11 на пользовательском наборе данных состоит из нескольких этапов:

  1. Подготовьте набор данных: Убедитесь, что ваш набор данных имеет формат YOLO . Для получения рекомендаций обратитесь к нашему Руководству по набору данных.
  2. Загрузите модель: Используйте библиотеку Ultralytics YOLO для загрузки предварительно обученной модели или создания новой модели из YAML-файла.
  3. Обучение модели: Выполнить train метод в Python или yolo detect train команда в CLI.

Пример

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640

Подробные параметры конфигурации можно найти на странице Конфигурация.

Какие предварительно обученные модели доступны на сайте YOLO11?

Ultralytics YOLO11 предлагает различные предварительно обученные модели для обнаружения, сегментации и оценки положения объектов. Эти модели предварительно обучены на наборе данных COCO или ImageNet для задач классификации. Вот некоторые из доступных моделей:

Подробный список и показатели производительности приведены в разделе "Модели".

Как проверить точность обученной модели YOLO ?

Чтобы проверить точность обученной модели YOLO11 , вы можете использовать .val() метод в Python или yolo detect val команда в CLI. Это позволит получить такие метрики, как mAP50-95, mAP50 и другие.

Пример

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

Более подробную информацию о валидации можно найти на странице Val.

В какие форматы можно экспортировать модель YOLO11 ?

Ultralytics YOLO11 позволяет экспортировать модели в различные форматы, такие как ONNX, TensorRT, CoreML и другие, чтобы обеспечить совместимость с различными платформами и устройствами.

Пример

from ultralytics import YOLO

# Load the model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format
model.export(format="onnx")
yolo export model=yolo11n.pt format=onnx

Ознакомьтесь с полным списком поддерживаемых форматов и инструкциями на странице "Экспорт".

Почему для обнаружения объектов следует использовать Ultralytics YOLO11 ?

Ultralytics YOLO11 разработан для того, чтобы обеспечить самую современную производительность при обнаружении, сегментации и оценке положения объектов. Вот некоторые ключевые преимущества:

  1. Предварительно обученные модели: Используйте модели, предварительно обученные 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: Оптимизирован для проведения выводов в режиме реального времени, что делает его идеальным для приложений, требующих быстрой обработки.
  4. Гибкость: Экспорт моделей в различные форматы, такие как ONNX и TensorRT , для развертывания на различных платформах.

Ознакомьтесь с нашим блогом, чтобы найти примеры использования и истории успеха, демонстрирующие YOLO11 в действии.

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад

Комментарии