Python Использование
Добро пожаловать в документацию по использованию YOLO11 Python ! Это руководство призвано помочь тебе без проблем интегрировать YOLO11 в свои проекты Python для обнаружения, сегментации и классификации объектов. Здесь ты узнаешь, как загружать и использовать предварительно обученные модели, обучать новые модели и выполнять предсказания на изображениях. Простой в использовании интерфейс Python - ценный ресурс для тех, кто хочет внедрить YOLO11 в свои проекты Python , позволяющий быстро реализовать продвинутые возможности обнаружения объектов. Давай приступим!
Смотри: Мастеринг Ultralytics YOLO11: Python
Например, пользователи могут загрузить модель, обучить ее, оценить ее производительность на валидационном множестве и даже экспортировать ее в формат ONNX всего несколькими строчками кода.
Python
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")
# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.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")
Поезд
Режим Train используется для обучения модели YOLO11 на пользовательском наборе данных. В этом режиме модель обучается на заданном наборе данных и гиперпараметрах. Процесс обучения заключается в оптимизации параметров модели, чтобы она могла точно предсказывать классы и местоположение объектов на изображении.
Поезд
Вэл
Режим Val используется для проверки модели YOLO11 после ее обучения. В этом режиме модель оценивается на валидационном множестве, чтобы измерить ее точность и эффективность обобщения. Этот режим можно использовать для настройки гиперпараметров модели, чтобы улучшить ее производительность.
Вэл
Предсказывай
Режим Predict используется для составления прогнозов с помощью обученной модели YOLO11 на новых изображениях или видео. В этом режиме модель загружается из файла контрольной точки, а пользователь может предоставить изображения или видео для проведения умозаключений. Модель предсказывает классы и местоположение объектов на входных изображениях или видео.
Предсказывай
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])
# results would be a list of Results object including all the predictions by default
# but be careful as it could occupy a lot memory when there're many images,
# especially the task is segmentation.
# 1. return as a list
results = model.predict(source="folder")
# results would be a generator which is more friendly to memory by setting stream=True
# 2. return as a generator
results = model.predict(source=0, stream=True)
for result in results:
# Detection
result.boxes.xyxy # box with xyxy format, (N, 4)
result.boxes.xywh # box with xywh format, (N, 4)
result.boxes.xyxyn # box with xyxy format but normalized, (N, 4)
result.boxes.xywhn # box with xywh format but normalized, (N, 4)
result.boxes.conf # confidence score, (N, 1)
result.boxes.cls # cls, (N, 1)
# Segmentation
result.masks.data # masks, (N, H, W)
result.masks.xy # x,y segments (pixels), List[segment] * N
result.masks.xyn # x,y segments (normalized), List[segment] * N
# Classification
result.probs # cls prob, (num_class, )
# Each result is composed of torch.Tensor by default,
# in which you can easily use following functionality:
result = result.cuda()
result = result.cpu()
result = result.to("cpu")
result = result.numpy()
Экспорт
Режим экспорта используется для экспорта модели YOLO11 в формат, который можно использовать для развертывания. В этом режиме модель преобразуется в формат, который может быть использован другими программными приложениями или аппаратными устройствами. Этот режим полезен при развертывании модели в производственной среде.
Экспорт
Экспортируй официальную модель YOLO11n на ONNX с динамическим размером партии и размером изображения.
Трек
Режим "Трек" используется для отслеживания объектов в реальном времени с помощью модели YOLO11. В этом режиме модель загружается из файла контрольной точки, и пользователь может предоставить живой видеопоток для отслеживания объектов в реальном времени. Этот режим полезен для таких приложений, как системы наблюдения или самоуправляемые автомобили.
Трек
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load an official detection model
model = YOLO("yolo11n-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 оценки скорости и точности различных форматов экспорта для YOLO11. Бенчмарки предоставляют информацию о размере экспортируемого формата, его mAP50-95 метрики (для обнаружения и сегментации объектов) или accuracy_top5 метрики (для классификации), а также время вывода в миллисекундах на одно изображение в различных форматах экспорта, таких как ONNX, OpenVINO, TensorRT и другие. Эта информация может помочь пользователям выбрать оптимальный формат экспорта для конкретного случая использования, исходя из требований к скорости и точности.
Бенчмарк
Использование тренеров
YOLO Класс model - это высокоуровневая обертка для классов Trainer. У каждой задачи YOLO есть свой тренер, который наследуется от BaseTrainer.
Пример тренажера по обнаружению
from ultralytics.models.yolo 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 = detect.DetectionTrainer(overrides=overrides)
Ты можешь легко настроить трейнеры для поддержки пользовательских задач или изучения идей R&D. Узнай больше о настройке Trainers, Validators и Predictors под нужды твоего проекта в разделе "Персонализация".
ВОПРОСЫ И ОТВЕТЫ
Как интегрировать YOLO11 в свой проект Python для обнаружения объектов?
Интегрировать Ultralytics YOLO11 в твои Python -проекты очень просто. Ты можешь загрузить предварительно обученную модель или обучить новую модель с нуля. Вот как начать:
from ultralytics import YOLO
# Load a pretrained YOLO model
model = YOLO("yolo11n.pt")
# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Visualize the results
for result in results:
result.show()
Более подробные примеры ты найдешь в разделе " Режим предсказания ".
Какие разные режимы доступны в YOLO11?
Ultralytics В YOLO11 предусмотрены различные режимы, чтобы удовлетворить различные рабочие процессы машинного обучения. К ним относятся:
- Поезд: Обучи модель, используя пользовательские наборы данных.
- Вэл: Проверь работу модели на проверочном наборе.
- Предсказать: Делай прогнозы по новым изображениям или видеопотокам.
- Экспорт: Экспортируй модели в различные форматы, например ONNX, TensorRT.
- Трек: Отслеживание объектов в видеопотоках в реальном времени.
- Бенчмарк: Бенчмарк производительности модели в различных конфигурациях.
Каждый режим разработан таким образом, чтобы предоставлять комплексные функциональные возможности для разных этапов разработки и развертывания модели.
Как обучить пользовательскую модель YOLO11, используя свой набор данных?
Чтобы обучить пользовательскую модель YOLO11, тебе нужно указать свой набор данных и другие гиперпараметры. Вот быстрый пример:
from ultralytics import YOLO
# Load the YOLO model
model = YOLO("yolo11n.yaml")
# Train the model with custom dataset
model.train(data="path/to/your/dataset.yaml", epochs=10)
Более подробную информацию о тренировках и гиперссылки на примеры их использования ты найдешь на нашей странице " Режим тренировок ".
Как экспортировать модели YOLO11 для развертывания?
Экспортировать модели YOLO11 в формат, подходящий для развертывания, очень просто с помощью export функция. Например, ты можешь экспортировать модель в формат ONNX :
from ultralytics import YOLO
# Load the YOLO model
model = YOLO("yolo11n.pt")
# Export the model to ONNX format
model.export(format="onnx")
О различных вариантах экспорта читай в документации по режиму экспорта.
Могу ли я проверить свою модель YOLO11 на разных наборах данных?
Да, проверка моделей YOLO11 на разных наборах данных возможна. После обучения ты можешь использовать режим валидации, чтобы оценить производительность:
from ultralytics import YOLO
# Load a YOLO11 model
model = YOLO("yolo11n.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")
За подробными примерами и использованием обращайся к странице Val Mode.
