Python Использование
Добро пожаловать в документацию по использованию Ultralytics YOLO Python ! Это руководство призвано помочь вам легко интегрировать Ultralytics YOLO в ваши проекты Python для обнаружения, сегментации и классификации объектов. Здесь вы узнаете, как загружать и использовать предварительно обученные модели, обучать новые модели и выполнять прогнозирование на изображениях. Простой в использовании интерфейс Python - ценный ресурс для тех, кто хочет внедрить YOLO в свои проекты Python , позволяющий быстро реализовать расширенные возможности обнаружения объектов. Давайте начнем!
Смотреть: Освоение Ultralytics YOLO: Python
Например, пользователи могут загрузить модель, обучить ее, оценить ее производительность на валидном множестве и даже экспортировать ее в формат ONNX всего за несколько строк 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 YOLO на пользовательском наборе данных. В этом режиме модель обучается на заданном наборе данных и гиперпараметрах. В процессе обучения оптимизируются параметры модели, чтобы она могла точно предсказывать классы и местоположение объектов на изображении.
Поезд
Вэл
Режим Val используется для проверки модели YOLO после ее обучения. В этом режиме модель оценивается на валидационном множестве для измерения ее точности и эффективности обобщения. Этот режим можно использовать для настройки гиперпараметров модели, чтобы улучшить ее производительность.
Вэл
Предсказать
Режим Predict используется для составления прогнозов с помощью обученной модели YOLO на новых изображениях или видео. В этом режиме модель загружается из файла контрольной точки, а пользователь может предоставить изображения или видео для выполнения прогноза. Модель предсказывает классы и местоположение объектов на входных изображениях или видео.
Предсказать
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 YOLO 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 производственных средах.
Экспорт
Трек
Режим отслеживания используется для отслеживания объектов в реальном времени с помощью модели YOLO . В этом режиме модель загружается из файла контрольных точек, и пользователь может предоставить видеопоток в реальном времени для выполнения 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 YOLO. Контрольные показатели 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 для каждого изображения в различных форматах экспорта, таких как ONNX, OpenVINO, TensorRT и другие. Эта информация поможет пользователям выбрать оптимальный формат экспорта для конкретного случая использования, исходя из их требований к скорости и точности.
Бенчмарк
Примеры контрольных показателей
Использование тренеров
Сайт YOLO класс модели служит высокоуровневой оберткой для классов Trainer. Каждая задача YOLO имеет своего тренера, который наследуется от BaseTrainer. Эта архитектура обеспечивает большую гибкость и возможность настройки. рабочие процессы машинного обучения.
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 = DetectionTrainer(overrides=overrides)
Вы можете легко настроить Trainers для поддержки пользовательских задач или изучения идей исследований и разработок. Модульная конструкция Ultralytics YOLO позволяет адаптировать фреймворк к вашим конкретным потребностям, независимо от того, работаете ли вы над новой задачей компьютерного зрения или настраиваете существующие модели для повышения производительности.
ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ
Как интегрировать YOLO в мой проект на Python для обнаружения объектов?
Интеграция Ultralytics YOLO в ваши Python очень проста. Вы можете 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 вы найдете в разделе "Режим прогнозирования ".
Какие различные режимы доступны в YOLO?
Ultralytics YOLO предоставляет различные режимы для удовлетворения различных рабочих процессов машинного обучения. К ним относятся:
- Поезд: Обучение модели с использованием пользовательских наборов данных.
- Вэл: Проверить работу модели на валидационном наборе.
- Предсказать: Делайте прогнозы по новым изображениям или видеопотокам.
- Экспорт: Экспорт моделей в различные форматы, такие как ONNX и TensorRT.
- Трек: Отслеживание объектов в видеопотоках в реальном времени.
- Бенчмарк: Бенчмарк производительности модели в различных конфигурациях.
Каждый режим разработан таким образом, чтобы обеспечить комплексные функциональные возможности для различных этапов разработки и развертывания модели.
Как обучить пользовательскую модель YOLO на своем наборе данных?
Чтобы обучить пользовательскую модель YOLO , вам нужно указать 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 об обучении и гиперссылки на примеры использования можно найти на странице "Режим обучения".
Как экспортировать модели YOLO для развертывания?
Экспорт моделей YOLO в формат, пригодный для развертывания, легко выполняется с помощью export функция. Например, вы можете 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")
Различные варианты экспорта см. в документации по режиму экспорта.
Могу ли я проверить свою модель YOLO на разных наборах данных?
Да, проверка моделей YOLO на различных наборах данных возможна. После обучения вы можете использовать режим проверки для оценки производительности:
from ultralytics import YOLO
# Load a YOLO 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")
Подробные примеры использования смотрите на странице Val Mode.
