Hướng dẫn toàn diện cho Ultralytics YOLO

Chào mừng đến với Ultralytics ' YOLO 🚀 Hướng dẫn! Các hướng dẫn toàn diện của chúng tôi bao gồm nhiều khía cạnh khác nhau của YOLO Mô hình phát hiện đối tượng , từ đào tạo và dự đoán đến triển khai. Được xây dựng trên PyTorch , YOLO nổi bật với tốc độ và độ chính xác vượt trội trong các nhiệm vụ phát hiện đối tượng theo thời gian thực.

Cho dù bạn là người mới bắt đầu hay là chuyên gia về học sâu, các hướng dẫn của chúng tôi cung cấp những hiểu biết có giá trị về việc triển khai và tối ưu hóa YOLO cho các dự án thị giác máy tính của bạn. Hãy cùng nhau khám phá!

Xem: Tổng quan về Hướng dẫn Ultralytics YOLO11

Hướng dẫn

Dưới đây là một bản tổng hợp các hướng dẫn chuyên sâu để giúp bạn nắm vững các khía cạnh khác nhau của Ultralytics YOLO.

• Hướng dẫn kiểm thử mô hình : Một hướng dẫn toàn diện về cách kiểm thử các mô hình thị giác máy tính của bạn trong môi trường thực tế. Tìm hiểu cách xác minh độ chính xác, độ tin cậy và hiệu suất phù hợp với mục tiêu dự án.
• Hướng dẫn nhanh AzureML : Bắt đầu sử dụng ngay với Ultralytics YOLO các mô hình trên Microsoft Nền tảng Azure Machine Learning của . Tìm hiểu cách huấn luyện, triển khai và mở rộng quy mô các dự án phát hiện đối tượng của bạn trên đám mây.
• Các phương pháp tối ưu để triển khai mô hình : Hướng dẫn chi tiết các mẹo và phương pháp tối ưu để triển khai mô hình hiệu quả trong các dự án thị giác máy tính, tập trung vào tối ưu hóa, khắc phục sự cố và bảo mật.
• Hướng dẫn nhanh Conda : Hướng dẫn từng bước thiết lập môi trường Conda cho Ultralytics Tìm hiểu cách cài đặt và bắt đầu sử dụng ứng dụng. Ultralytics Đóng gói hiệu quả với Conda.
• Thu thập và chú thích dữ liệu : Khám phá các công cụ, kỹ thuật và phương pháp tốt nhất để thu thập và chú thích dữ liệu nhằm tạo ra dữ liệu đầu vào chất lượng cao cho các mô hình thị giác máy tính của bạn.
• DeepStream trên NVIDIA Jetson : Hướng dẫn nhanh để triển khai YOLO các mô hình trên NVIDIA Các thiết bị Jetson sử dụng DeepStream và TensorRT .
• Xác định mục tiêu cho dự án thị giác máy tính : Tìm hiểu cách xác định các mục tiêu rõ ràng và có thể đo lường được cho dự án thị giác máy tính của bạn. Hiểu tầm quan trọng của việc xác định rõ vấn đề và cách nó tạo ra lộ trình cho dự án của bạn.
• Hướng dẫn nhanh Docker : Hướng dẫn đầy đủ về cách thiết lập và sử dụng Ultralytics YOLO Xây dựng mô hình với Docker . Tìm hiểu cách cài đặt Docker, quản lý GPU hỗ trợ và vận hành YOLO các mô hình trong các container riêng biệt để phát triển và triển khai nhất quán.
• Edge TPU trên Raspberry Pi: Google Edge TPU tăng tốc suy luận YOLO trên Raspberry Pi.
• Điều chỉnh siêu tham số : Khám phá cách tối ưu hóa của bạn YOLO Các mô hình được tinh chỉnh bằng cách sử dụng lớp Tuner và thuật toán tiến hóa di truyền để tối ưu hóa.
• Những hiểu biết về đánh giá và tinh chỉnh mô hình : Nắm bắt những chiến lược và phương pháp tốt nhất để đánh giá và tinh chỉnh các mô hình thị giác máy tính của bạn. Tìm hiểu về quy trình lặp đi lặp lại để tinh chỉnh mô hình nhằm đạt được kết quả tối ưu.
• Tách biệt các đối tượng phân đoạn : Hướng dẫn từng bước và giải thích cách trích xuất và/hoặc tách biệt các đối tượng từ hình ảnh bằng cách sử dụng Ultralytics Phân đoạn.
• Kiểm định chéo K-Fold : Tìm hiểu cách cải thiện khả năng khái quát hóa của mô hình bằng kỹ thuật kiểm định chéo K-Fold.
• Bảo trì mô hình thị giác máy tính của bạn : Hiểu các phương pháp chính để giám sát, bảo trì và ghi lại các mô hình thị giác máy tính nhằm đảm bảo độ chính xác, phát hiện các bất thường và giảm thiểu sự thay đổi dữ liệu.
• Các tùy chọn triển khai mô hình: Tổng quan về các định dạng triển khai mô hình YOLO như ONNX, OpenVINO và TensorRT, với ưu và nhược điểm của từng định dạng để thông báo cho chiến lược triển khai của bạn.
• Hướng dẫn cấu hình YAML mẫu : Phân tích chuyên sâu toàn diện về Ultralytics 'Định nghĩa kiến trúc mô hình. Khám phá định dạng YAML, hiểu hệ thống phân giải mô-đun và học cách tích hợp các mô-đun tùy chỉnh một cách liền mạch.'
• NVIDIA Jetson : Hướng dẫn nhanh để triển khai YOLO các mô hình trên NVIDIA Các thiết bị Jetson.
• Chế độ Độ trễ so với Thông lượng của OpenVINO : Tìm hiểu các kỹ thuật tối ưu hóa độ trễ và thông lượng để đạt hiệu suất cao nhất. YOLO hiệu suất suy luận.
• Xử lý sơ bộ dữ liệu được chú thích : Tìm hiểu về xử lý sơ bộ và tăng cường dữ liệu hình ảnh trong các dự án thị giác máy tính. YOLO11 bao gồm chuẩn hóa, tăng cường tập dữ liệu, chia tách và phân tích dữ liệu khám phá (EDA).
• Raspberry Pi : Hướng dẫn nhanh để chạy YOLO các mô hình trên phần cứng Raspberry Pi mới nhất.
• Hướng dẫn nhanh ROS : Tìm hiểu cách tích hợp YOLO Với Hệ điều hành Robot (ROS) để phát hiện đối tượng theo thời gian thực trong các ứng dụng robot, bao gồm cả ảnh đám mây điểm và ảnh chiều sâu.
• SAHI Tiled Inference : Hướng dẫn toàn diện về cách tận dụng khả năng suy luận phân mảnh của SAHI với YOLO11 Dùng để phát hiện đối tượng trong ảnh độ phân giải cao.
• Các bước của một dự án thị giác máy tính : Tìm hiểu về các bước chính trong một dự án thị giác máy tính, bao gồm xác định mục tiêu, lựa chọn mô hình, chuẩn bị dữ liệu và đánh giá kết quả.
• Mẹo huấn luyện mô hình : Khám phá các mẹo về tối ưu hóa kích thước lô , sử dụng độ chính xác hỗn hợp , áp dụng trọng số được huấn luyện trước và nhiều hơn nữa để giúp việc huấn luyện mô hình thị giác máy tính của bạn trở nên dễ dàng hơn.
• Tích hợp Triton Inference Server : Khám phá quá trình tích hợp Ultralytics YOLO11 với NVIDIA 'S Triton Máy chủ suy luận dành cho việc triển khai suy luận học sâu hiệu quả và có khả năng mở rộng.
• Triển khai Vertex AI với Docker : Hướng dẫn đơn giản về việc đóng gói container. YOLO mô hình với Docker và triển khai chúng trên Google Cloud Vertex AI—bao gồm xây dựng, triển khai, tự động mở rộng quy mô và giám sát.
• Xem ảnh suy luận trong Terminal: Sử dụng terminal tích hợp của VSCode để xem kết quả suy luận khi sử dụng Remote Tunnel hoặc các phiên SSH.
• Các vấn đề thường gặp về YOLO ⭐ ĐƯỢC ĐỀ XUẤT: Các giải pháp thiết thực và mẹo khắc phục sự cố cho các vấn đề thường gặp nhất khi làm việc với các mô hình Ultralytics YOLO.
• Tăng cường dữ liệu YOLO : Nắm vững toàn bộ các kỹ thuật tăng cường dữ liệu trong YOLO Từ những phép biến đổi cơ bản đến các chiến lược nâng cao nhằm cải thiện độ bền vững và hiệu suất của mô hình.
• YOLO Performance Metrics ⭐ QUAN TRỌNG: Tìm hiểu các số liệu chính như mAP, IoU và F1 score được sử dụng để đánh giá hiệu suất của các mô hình YOLO của bạn. Bao gồm các ví dụ thực tế và các mẹo về cách cải thiện độ chính xác và tốc độ detection.
• Suy luận an toàn luồng YOLO : Hướng dẫn thực hiện suy luận với YOLO Mô hình được xây dựng theo cách an toàn cho đa luồng. Tìm hiểu tầm quan trọng của an toàn đa luồng và các phương pháp tốt nhất để ngăn ngừa tình trạng tranh chấp dữ liệu và đảm bảo dự đoán nhất quán.

Đóng góp vào Hướng dẫn của Chúng tôi

Chúng tôi hoan nghênh những đóng góp từ cộng đồng! Nếu bạn đã nắm vững một khía cạnh cụ thể nào đó của Ultralytics YOLO mà chưa được đề cập trong hướng dẫn của chúng tôi, chúng tôi khuyến khích bạn chia sẻ kiến thức chuyên môn của mình. Viết hướng dẫn là một cách tuyệt vời để đóng góp cho cộng đồng và giúp chúng tôi làm cho tài liệu của mình toàn diện và thân thiện hơn với người dùng.

Để bắt đầu, vui lòng đọc Hướng dẫn Đóng góp của chúng tôi để biết hướng dẫn về cách mở Yêu cầu Kéo (PR) 🛠️. Chúng tôi rất mong nhận được sự đóng góp của bạn!

Hãy cùng nhau xây dựng hệ sinh thái Ultralytics YOLO mạnh mẽ và đa năng hơn 🙏!

Câu hỏi thường gặp

Làm cách nào để huấn luyện một mô hình phát hiện đối tượng tùy chỉnh bằng Ultralytics YOLO?

Việc huấn luyện một mô hình phát hiện đối tượng tùy chỉnh với Ultralytics YOLO rất đơn giản. Bắt đầu bằng cách chuẩn bị tập dữ liệu của bạn ở định dạng chính xác và cài đặt gói Ultralytics. Sử dụng mã sau để bắt đầu huấn luyện:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load a pre-trained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

yolo task=detect mode=train model=yolo11n.pt data=path/to/dataset.yaml epochs=50

Để biết định dạng tập dữ liệu chi tiết và các tùy chọn bổ sung, hãy tham khảo hướng dẫn Mẹo để Huấn luyện Mô hình của chúng tôi.

Tôi nên sử dụng những chỉ số hiệu suất nào để đánh giá mô hình YOLO của mình?

Đánh giá của bạn YOLO Hiệu suất mô hình rất quan trọng để hiểu được hiệu quả của nó. Các số liệu chính bao gồm Độ chính xác trung bình ( mAP ), Giao lộ qua Union ( IoU ) và điểm F1. Các số liệu này giúp đánh giá độ chính xác và độ tin cậy của các tác vụ phát hiện đối tượng. Bạn có thể tìm hiểu thêm về các số liệu này và cách cải thiện mô hình của mình trong hướng dẫn về Số liệu Hiệu suất YOLO của chúng tôi.

Tại sao tôi nên sử dụng Ultralytics HUB cho các dự án thị giác máy tính của mình?

Ultralytics HUB là một nền tảng no-code giúp đơn giản hóa việc quản lý, huấn luyện và triển khai các mô hình YOLO. Nền tảng này hỗ trợ tích hợp liền mạch, theo dõi thời gian thực và huấn luyện trên đám mây, lý tưởng cho cả người mới bắt đầu và các chuyên gia. Tìm hiểu thêm về các tính năng của nó và cách nó có thể hợp lý hóa quy trình làm việc của bạn với hướng dẫn nhanh Ultralytics HUB của chúng tôi.

Những vấn đề thường gặp phải trong quá trình huấn luyện mô hình YOLO là gì và làm cách nào tôi có thể giải quyết chúng?

Các vấn đề thường gặp trong quá trình huấn luyện mô hình YOLO bao gồm lỗi định dạng dữ liệu, không tương thích kiến trúc mô hình và không đủ dữ liệu huấn luyện. Để giải quyết những vấn đề này, hãy đảm bảo tập dữ liệu của bạn được định dạng chính xác, kiểm tra các phiên bản mô hình tương thích và tăng cường dữ liệu huấn luyện của bạn. Để có danh sách đầy đủ các giải pháp, hãy tham khảo hướng dẫn Các Vấn Đề Thường Gặp về YOLO của chúng tôi.

Làm cách nào tôi có thể triển khai mô hình YOLO của mình để phát hiện đối tượng theo thời gian thực trên các thiết bị biên?

Triển khai YOLO các mô hình trên các thiết bị biên như NVIDIA Jetson và Raspberry Pi yêu cầu chuyển đổi mô hình sang định dạng tương thích như TensorRT hoặc TFLite . Hãy làm theo hướng dẫn từng bước của chúng tôi về triển khai NVIDIA Jetson và Raspberry Pi để bắt đầu phát hiện đối tượng theo thời gian thực trên phần cứng biên. Các hướng dẫn này sẽ hướng dẫn bạn cài đặt, cấu hình và tối ưu hóa hiệu suất.

📅 Đã tạo 2 năm trước ✏️ Cập nhật 1 ngày trước

Bình luận