Обнаружение объектов

Q: How can I validate the accuracy of my trained YOLO model?

Чтобы проверить точность обученной модели YOLO11 , можно использовать метод .val() в Python или команду yolo detect val в CLI. Это позволит получить такие метрики, как mAP50-95, mAP50 и другие. Более подробную информацию о проверке можно найти на странице Val.

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 T4^{TensorRT10 (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

PythonCLI

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

PythonCLI

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

PythonCLI

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

PythonCLI

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:

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

Пример

PythonCLI

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

PythonCLI

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

PythonCLI

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:

Предварительно обученные модели: Используйте модели, предварительно обученные на популярных наборах данных, таких как COCO и ImageNet, для ускорения разработки.
Высокая точность: Достигает впечатляющих показателей mAP, обеспечивая надежное обнаружение объектов.
Скорость: Оптимизирован для проведения выводов в режиме реального времени, что делает его идеальным для приложений, требующих быстрой обработки.
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