Использование Python#

Добро пожаловать в документацию по использованию Ultralytics YOLO в Python! Это руководство создано для того, чтобы помочь тебе легко интегрировать Ultralytics YOLO в свои проекты на Python для обнаружения объектов, сегментации экземпляров, семантической сегментации, оценки глубины и классификации. Здесь ты узнаешь, как загружать и использовать предобученные модели, обучать новые модели и выполнять предсказания на изображениях. Простой в использовании интерфейс Python является ценным ресурсом для каждого, кто хочет внедрить YOLO в свои проекты на Python, позволяя быстро реализовать расширенные возможности обнаружения объектов. Давай начнем!

Например, пользователи могут загрузить модель, обучить ее, оценить ее производительность на проверочном наборе и даже экспортировать в формат ONNX всего за несколько строк кода.

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

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

Обучение#

Режим обучения используется для обучения модели YOLO на пользовательском наборе данных. В этом режиме модель обучается с использованием указанного набора данных и гиперпараметров. Процесс обучения включает в себя оптимизацию параметров модели, чтобы она могла точно предсказывать классы и местоположение объектов на изображении.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # pass any model type
results = model.train(epochs=5)

Val#

Режим валидации используется для проверки модели YOLO после ее обучения. В этом режиме модель оценивается на проверочном наборе данных для измерения ее точности и производительности обобщения. Этот режим можно использовать для настройки гиперпараметров модели с целью повышения ее производительности.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate on training data
model.val()

Predict#

Режим предсказания используется для выполнения предсказаний с помощью обученной модели YOLO на новых изображениях или видео. В этом режиме модель загружается из файла контрольной точки, и ты можешь предоставить изображения или видео для выполнения инференса. Модель предсказывает классы и местоположение объектов во входных изображениях или видео.

import cv2
from PIL import Image

from ultralytics import YOLO

model = YOLO("model.pt")
# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
results = model.predict(source="0")
results = model.predict(source="folder", show=True)  # Display preds. Accepts all YOLO predict arguments

# from PIL
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True)  # save plotted images

# from ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True)  # save predictions as labels

# from list of PIL/ndarray
results = model.predict(source=[im1, im2])

Экспорт#

Режим экспорта используется для экспорта модели YOLO в формат, который можно использовать для развертывания. В этом режиме модель конвертируется в формат, поддерживаемый другими программными приложениями или аппаратными устройствами. Этот режим полезен при развертывании модели в производственных средах.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="onnx", dynamic=True)

Отслеживать#

Режим отслеживания используется для отслеживания объектов в реальном времени с помощью модели YOLO. В этом режиме модель загружается из файла контрольной точки, и ты можешь предоставить видеопоток в реальном времени для выполнения трекинга объектов. Этот режим полезен для таких приложений, как системы видеонаблюдения или беспилотные автомобили.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official detection model
model = YOLO("yolo26n-seg.pt")  # load an official segmentation model
model = YOLO("path/to/best.pt")  # load a custom model

# Track with the model
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")

Бенчмарк#

Режим бенчмарка используется для профилирования скорости и точности различных форматов экспорта для YOLO. Бенчмарки предоставляют информацию о размере экспортированного формата, его метриках mAP50-95 (для обнаружения и сегментации объектов) или метриках accuracy_top1 (для классификации), а также о времени инференса в миллисекундах на изображение для различных форматов экспорта, таких как ONNX, OpenVINO, TensorRT и других. Эта информация может помочь пользователям выбрать оптимальный формат экспорта под их конкретную задачу с учетом требований к скорости и точности.

from ultralytics.utils.benchmarks import benchmark

# Benchmark
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)

Использование тренеров#

Класс модели YOLO служит высокоуровневой оберткой для классов Trainer. Каждая задача YOLO имеет собственный тренер, который наследуется от BaseTrainer. Эта архитектура обеспечивает большую гибкость и возможность кастомизации в твоих рабочих процессах машинного обучения.

from ultralytics.models.yolo.detect import DetectionPredictor, DetectionTrainer, DetectionValidator

overrides = {"model": "yolo26n.pt", "data": "coco8.yaml", "epochs": 3}

# Trainer
trainer = DetectionTrainer(overrides=overrides)
trainer.train()
trained_model = trainer.best  # path to best.pt

# Validator
validator = DetectionValidator(args={"data": "coco8.yaml"})
validator(model=trained_model)

# Predictor
predictor = DetectionPredictor(overrides={"model": trained_model})
predictor(source="https://ultralytics.com/images/bus.jpg")

# Resume from the last checkpoint
trainer = DetectionTrainer(overrides={**overrides, "resume": trainer.last})

Ты можешь легко настраивать тренеры для поддержки нестандартных задач или изучения идей в области исследований и разработки. Модульная конструкция Ultralytics YOLO позволяет адаптировать фреймворк под твои конкретные нужды, работаешь ли ты над новой задачей компьютерного зрения или выполняешь дообучение существующих моделей для повышения производительности.

Часто задаваемые вопросы#