Использование в Python#
Добро пожаловать в документацию по использованию YOLO Python в Ultralytics! Это руководство поможет 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 реализовывать расширенные возможности обнаружения объектов. Давай начнем!
Watch: Mastering Ultralytics YOLO: Python
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 (Train) используется для обучения модели YOLO на пользовательском наборе данных. В этом режиме модель обучается с использованием указанного набора данных и гиперпараметров. Процесс обучения включает оптимизацию параметров модели, чтобы она могла точно предсказывать классы и местоположения объектов на изображении.
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # pass any model type
results = model.train(epochs=5)Валидация#
Режим валидации (Val) используется для проверки модели YOLO после ее обучения. В этом режиме модель оценивается на проверочном наборе данных для измерения ее точности и способности к генерализации. 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()Предсказание#
Режим предсказания (Predict) 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 передавать изображения или видео для выполнения инференса. Модель предсказывает классы и местоположения объектов на 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 (Export) используется для экспорта модели YOLO в формат, пригодный для развертывания. В этом режиме модель конвертируется в формат, который могут использовать другие программные приложения или аппаратные устройства. Этот режим полезен при развертывании модели в производственных средах.
Экспортируй официальную модель YOLO в ONNX с динамическим размером пакета (batch-size) и размером изображения (image-size).
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.export(format="onnx", dynamic=True)Отслеживание#
Режим трекинга (Track) 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 прямом эфире для выполнения трекинга объектов в реальном времени. Этот режим полезен для таких приложений, как системы видеонаблюдения или самоуправляемые 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 бенчмаркинга (Benchmark) 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 другие. Эта информация может помочь пользователям выбрать оптимальный формат экспорта для их конкретного варианта использования на основе требований к скорости и точности.
Бенчмарк официальной модели YOLO по всем форматам экспорта.
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 свой собственный тренер, который наследуется от BaseTrainer. Эта архитектура обеспечивает большую гибкость и возможности кастомизации в твоих рабочих процессах машинного обучения.
from ultralytics.models.yolo.detect import DetectionPredictor, DetectionTrainer, DetectionValidator
# trainer
trainer = DetectionTrainer(overrides={})
trainer.train()
trained_model = trainer.best
# Validator
val = DetectionValidator(args=...)
val(model=trained_model)
# predictor
pred = DetectionPredictor(overrides={})
pred(source=SOURCE, model=trained_model)
# resume from last weight
overrides["resume"] = trainer.last
trainer = DetectionTrainer(overrides=overrides)Ты можешь легко настраивать тренеры для поддержки пользовательских задач или изучения идей в области исследований и разработок. Модульный дизайн Ultralytics YOLO позволяет адаптировать фреймворк под твои конкретные нужды, работаешь ли ты над новой задачей компьютерного зрения или выполняешь тонкую настройку (fine-tuning) существующих моделей для достижения лучшей производительности.
FAQ#
Интегрировать Ultralytics YOLO в твои Python-проекты просто. Ты можешь загрузить предобученную модель или обучить новую модель с нуля. Вот как начать:
from ultralytics import YOLO # Load a pretrained YOLO model model = YOLO("yolo26n.pt") # Perform object detection on an image results = model("https://ultralytics.com/images/bus.jpg") # Visualize the results for result in results: result.show()Смотри более подробные примеры в нашем разделе Режим предсказания (Predict Mode).
Ultralytics YOLO предоставляет различные режимы для работы с различными рабочими процессами машинного обучения. К ним относятся:
- Обучение (Train): Обучение модели с использованием пользовательских наборов данных.
- Валидация (Val): Проверка производительности модели на проверочном наборе данных.
- Предсказание (Predict): Выполнение предсказаний на новых изображениях или видеопотоках.
- Экспорт (Export): Экспорт моделей в различные форматы, такие как ONNX и TensorRT.
- Трекинг (Track): Отслеживание объектов в реальном времени в видеопотоках.
- Бенчмаркинг (Benchmark): Оценка производительности модели в различных конфигурациях.
Каждый режим разработан для предоставления комплексного функционала на разных этапах разработки и развертывания модели.
Чтобы обучить пользовательскую модель YOLO, тебе нужно указать свой набор данных и другие гиперпараметры. Вот быстрый пример:
from ultralytics import YOLO # Load the YOLO model model = YOLO("yolo26n.yaml") # Train the model with custom dataset model.train(data="path/to/your/dataset.yaml", epochs=10)Для получения более подробной информации об обучении и ссылок на примеры использования посети нашу страницу Режим обучения (Train Mode).
Экспорт моделей YOLO в формат, подходящий для развертывания, прост с помощью функции
export. Например, ты можешь экспортировать модель в формат ONNX:from ultralytics import YOLO # Load the YOLO model model = YOLO("yolo26n.pt") # Export the model to ONNX format model.export(format="onnx")О различных вариантах экспорта читай в документации по Режиму экспорта (Export Mode).
Да, валидация моделей YOLO на разных наборах данных возможна. После обучения ты можешь использовать режим валидации для оценки производительности:
from ultralytics import YOLO # Load a YOLO model model = YOLO("yolo26n.yaml") # Train the model model.train(data="coco8.yaml", epochs=5) # Validate the model on a different dataset model.val(data="path/to/separate/data.yaml")Загляни на страницу Режим валидации (Val Mode) для ознакомления с подробными примерами и использования.