Nesne Algılama
Nesne algılama, bir görüntü veya video akışındaki nesnelerin konumunu ve sınıfını tanımlamayı içeren bir görevdir.
Bir nesne algılayıcının çıktısı, her kutu için sınıf etiketleri ve güven puanlarıyla birlikte görüntüdeki nesneleri çevreleyen bir dizi sınırlayıcı kutudur. Nesne algılama, bir sahnedeki ilgi çekici nesneleri tanımlamanız gerektiğinde, ancak nesnenin tam olarak nerede olduğunu veya tam şeklini bilmeniz gerekmediğinde iyi bir seçimdir.
İzle: Önceden Eğitilmiş Ultralytics YOLOv8 Modeli ile Nesne Algılama.
İpucu
YOLOv8 Tespit modelleri varsayılan YOLOv8 modelleridir, yani yolov8n.pt
ve önceden eğitilmiş COCO.
Modeller
YOLOv8 ön eğitimli Detect modelleri burada gösterilmektedir. Detect, Segment ve Pose modelleri COCO veri kümesi üzerinde, Classify modelleri ise ImageNet veri kümesi üzerinde ön eğitime tabi tutulmuştur.
Modeller ilk kullanımda en son Ultralytics sürümünden otomatik olarak indirilir.
Model | boyut (piksel) |
mAPval 50-95 |
Hız CPU ONNX (ms) |
Hız A100 TensorRT (ms) |
params (M) |
FLOP'lar (B) |
---|---|---|---|---|---|---|
YOLOv8n | 640 | 37.3 | 80.4 | 0.99 | 3.2 | 8.7 |
YOLOv8s | 640 | 44.9 | 128.4 | 1.20 | 11.2 | 28.6 |
YOLOv8m | 640 | 50.2 | 234.7 | 1.83 | 25.9 | 78.9 |
YOLOv8l | 640 | 52.9 | 375.2 | 2.39 | 43.7 | 165.2 |
YOLOv8x | 640 | 53.9 | 479.1 | 3.53 | 68.2 | 257.8 |
- mAPval değerleri tek model tek ölçek içindir. COCO val2017 veri kümesi.
Tarafından çoğaltınyolo val detect data=coco.yaml device=0
- Hız kullanılarak COCO val görüntüleri üzerinde ortalaması alınmıştır. Amazon EC2 P4d örnek.
Tarafından çoğaltınyolo val detect data=coco8.yaml batch=1 device=0|cpu
Tren
YOLOv8n adresini 640 görüntü boyutunda 100 epok için COCO8 veri kümesi üzerinde eğitin. Kullanılabilir argümanların tam listesi için Yapılandırma sayfasına bakın.
Örnek
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.yaml") # build a new model from YAML
model = YOLO("yolov8n.pt") # load a pretrained model (recommended for training)
model = YOLO("yolov8n.yaml").load("yolov8n.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=yolov8n.yaml epochs=100 imgsz=640
# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.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=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640
Veri kümesi formatı
YOLO algılama veri kümesi formatı Veri Kümesi Kılavuzunda ayrıntılı olarak bulunabilir. Mevcut veri setinizi diğer formatlardan (COCO vb.) YOLO formatına dönüştürmek için lütfen Ultralytics adresindeki JSON2YOLO aracını kullanın.
Val
Validate trained YOLOv8n model accuracy on the COCO8 dataset. No arguments are needed as the model
eğitimini sürdürür data
ve model öznitelikleri olarak argümanlar.
Örnek
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.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
Tahmin Et
Görüntüler üzerinde tahminler yürütmek için eğitilmiş bir YOLOv8n modeli kullanın.
Örnek
Tamamı görün predict
modunun ayrıntıları Tahmin Et Sayfa.
İhracat
Bir YOLOv8n modelini ONNX, CoreML, vb. gibi farklı bir formata aktarın.
Örnek
Mevcut YOLOv8 dışa aktarma formatları aşağıdaki tabloda yer almaktadır. kullanarak herhangi bir formata dışa aktarabilirsiniz. format
argümanı, yani format='onnx'
veya format='engine'
. Doğrudan dışa aktarılan modeller üzerinde tahmin veya doğrulama yapabilirsiniz, örn. yolo predict model=yolov8n.onnx
. Dışa aktarma tamamlandıktan sonra modeliniz için kullanım örnekleri gösterilir.
Biçim | format Tartışma |
Model | Metadata | Argümanlar |
---|---|---|---|---|
PyTorch | - | yolov8n.pt |
✅ | - |
TorchScript | torchscript |
yolov8n.torchscript |
✅ | imgsz , optimize , batch |
ONNX | onnx |
yolov8n.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n.engine |
✅ | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolov8n.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolov8n.tflite |
✅ | imgsz , half , int8 , batch |
TF Kenar TPU | edgetpu |
yolov8n_edgetpu.tflite |
✅ | imgsz |
TF.js | tfjs |
yolov8n_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolov8n_ncnn_model/ |
✅ | imgsz , half , batch |
Tamamı görün export
detaylar İhracat Sayfa.
SSS
Özel veri kümem üzerinde bir YOLOv8 modelini nasıl eğitebilirim?
Özel bir veri kümesi üzerinde bir YOLOv8 modelinin eğitilmesi birkaç adımdan oluşur:
- Veri Kümesini Hazırlayın: Veri setinizin YOLO formatında olduğundan emin olun. Rehberlik için Veri Kümesi Kılavuzumuza bakın.
- Modeli Yükleyin: Önceden eğitilmiş bir modeli yüklemek veya bir YAML dosyasından yeni bir model oluşturmak için Ultralytics YOLO kütüphanesini kullanın.
- Modeli Eğitin: Yürütmek
train
yöntemini Python adresinde veyayolo detect train
komutunu CLI adresinde bulabilirsiniz.
Örnek
Ayrıntılı yapılandırma seçenekleri için Yapılandırma sayfasını ziyaret edin.
YOLOv8 adresinde hangi ön eğitimli modeller mevcuttur?
Ultralytics YOLOv8 nesne algılama, segmentasyon ve poz tahmini için çeşitli ön eğitimli modeller sunar. Bu modeller, sınıflandırma görevleri için COCO veri kümesi veya ImageNet üzerinde önceden eğitilmiştir. İşte mevcut modellerden bazıları:
Ayrıntılı bir liste ve performans ölçümleri için Modeller bölümüne bakın.
Eğitilmiş YOLOv8 modelimin doğruluğunu nasıl teyit edebilirim?
Eğittiğiniz YOLOv8 modelinin doğruluğunu onaylamak için .val()
yöntemini Python adresinde veya yolo detect val
komutunu CLI adresinde bulabilirsiniz. Bu, mAP50-95, mAP50 ve daha fazlası gibi ölçümler sağlayacaktır.
Örnek
Daha fazla doğrulama detayı için Val sayfasını ziyaret edin.
Bir YOLOv8 modelini hangi formatlarda dışa aktarabilirim?
Ultralytics YOLOv8 farklı platformlar ve cihazlar arasında uyumluluk sağlamak için modelleri ONNX, TensorRT, CoreML ve daha fazlası gibi çeşitli formatlara aktarmaya olanak tanır.
Örnek
Desteklenen formatların tam listesini ve talimatları Dışa Aktar sayfasından kontrol edin.
Nesne algılama için neden Ultralytics YOLOv8 adresini kullanmalıyım?
Ultralytics YOLOv8 nesne algılama, segmentasyon ve poz tahmini için son teknoloji performans sunmak üzere tasarlanmıştır. İşte bazı önemli avantajlar:
- Önceden Eğitilmiş Modeller: Daha hızlı geliştirme için COCO ve ImageNet gibi popüler veri kümeleri üzerinde önceden eğitilmiş modelleri kullanın.
- Yüksek Doğruluk: Etkileyici mAP skorları elde ederek güvenilir nesne tespiti sağlar.
- Hız: Gerçek zamanlı çıkarım için optimize edilmiştir ve hızlı işlem gerektiren uygulamalar için idealdir.
- Esneklik: Modelleri ONNX ve TensorRT gibi çeşitli formatlara aktararak birden fazla platforma dağıtabilirsiniz.
YOLOv8 'u iş başında gösteren kullanım örnekleri ve başarı hikayeleri için Blogumuzu keşfedin.