Hướng dẫn toàn diện để Ultralytics YOLO

Chào mừng đến với Ultralytics ' YOLO 🚀 Hướng dẫn! 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 vật thể theo thời gian thực.

Cho dù bạn là người mới bắt đầu hay chuyên gia về học sâu , các hướng dẫn của chúng tôi đều 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 bắt đầu!

Đồng hồ: Ultralytics YOLO11 Tổng quan về hướng dẫn

Hướng dẫn

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

• Các vấn đề phổ biến YOLO ⭐ ĐƯỢC KHUYẾN NGHỊ: Các giải pháp thực tế và mẹo khắc phục sự cố cho các vấn đề thường gặp nhất khi làm việc với Ultralytics YOLO mô hình.
• Số liệu hiệu suất YOLO ⭐ CẦN THIẾT: Hiểu các số liệu chính như mAP, IoU và điểm F1 được sử dụng để đánh giá hiệu suất của bạn YOLO mô hình. Bao gồm các ví dụ thực tế và mẹo về cách cải thiện độ chính xác và tốc độ phát hiện.
• Tùy chọn triển khai mô hình : Tổng quan về YOLO định dạng triển khai mô hình như ONNX , OpenVINO , Và TensorRT , với ưu và nhược điểm của từng loại để đưa ra chiến lược triển khai cho bạn.
• Xác thực chéo K-Fold 🚀 MỚI: Tìm hiểu cách cải thiện khả năng tổng quát hóa mô hình bằng kỹ thuật xác thực chéo K-Fold.
• Điều chỉnh siêu tham số 🚀 MỚI: Khám phá cách tối ưu hóa YOLO mô hình bằng cách tinh chỉnh các siêu tham số sử dụng lớp Tuner và thuật toán tiến hóa di truyền.
• SAHI Tiled Inference 🚀 MỚI: Hướng dẫn toàn diện về cách tận dụng khả năng suy luận cắt lát của SAHI với YOLO11 để phát hiện vật thể trong hình ảnh có độ phân giải cao.
• AzureML Quickstart 🚀 MỚI: Bắt đầu và chạy với Ultralytics YOLO mô hình trên Microsoft Nền tảng Azure Machine Learning . Tìm hiểu cách đào tạo, triển khai và mở rộng quy mô các dự án phát hiện đối tượng của bạn trên đám mây.
• Conda Quickstart 🚀 MỚI: Hướng dẫn từng bước để thiết lập môi trường Conda cho Ultralytics . Tìm hiểu cách cài đặt và bắt đầu sử dụng Ultralytics đóng gói hiệu quả với Conda.
• Docker Quickstart 🚀 MỚI: Hướng dẫn đầy đủ về cách thiết lập và sử dụng Ultralytics YOLO mô hình với Docker . Tìm hiểu cách cài đặt Docker, quản lý GPU hỗ trợ và chạy YOLO các mô hình trong các container riêng biệt để phát triển và triển khai thống nhất.
• Raspberry Pi 🚀 MỚI: Hướng dẫn khởi động nhanh để chạy YOLO các mô hình phần cứng Raspberry Pi mới nhất.
• NVIDIA Jetson 🚀 MỚI: Hướng dẫn bắt đầu nhanh để triển khai YOLO mô hình trên NVIDIA Thiết bị Jetson.
• DeepStream trên NVIDIA Jetson 🚀 MỚI: Hướng dẫn bắt đầu nhanh để triển khai YOLO mô hình trên NVIDIA Thiết bị Jetson sử dụng DeepStream và TensorRT .
• Tích hợp Triton Inference Server 🚀 MỚI: Khám phá quá trình tích hợp Ultralytics YOLO11 với NVIDIA 'S Triton Inference Server cho việc triển khai suy luận học sâu hiệu quả và có khả năng mở rộng.
• YOLO Thread-Safe Inference 🚀 MỚI: Hướng dẫn thực hiện suy luận với YOLO mô hình theo cách an toàn luồng. Tìm hiểu tầm quan trọng của an toàn luồng và các biện pháp thực hành tốt nhất để ngăn ngừa tình trạng chạy đua và đảm bảo dự đoán nhất quán.
• Cô lập các đối tượng phân đoạn 🚀 MỚI: Công thức từng bước và giải thích về cách trích xuất và/hoặc cô lập các đối tượng khỏi hình ảnh bằng cách sử dụng Ultralytics Phân đoạn.
• Edge TPU trên Raspberry Pi : Google Edge TPU tăng tốc YOLO suy luận về Raspberry Pi .
• Xem hình ảnh suy luận trong thiết bị đầu cuối : Sử dụng thiết bị đầu cuối tích hợp của VSCode để xem kết quả suy luận khi sử dụng phiên Remote Tunnel hoặc SSH.
• Độ trễ OpenVINO so với chế độ thông lượng - Tìm hiểu các kỹ thuật tối ưu hóa độ trễ và thông lượng cho thời gian cao điểm YOLO hiệu suất suy luận.
• Các bước của một dự án thị giác máy tính 🚀 MỚI: Tìm hiểu về các bước chính liên quan đến 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.
• Xác định mục tiêu của dự án thị giác máy tính 🚀 MỚI: Hướng dẫn cách xác định hiệu quả các mục tiêu rõ ràng và có thể đo lường được cho dự án thị giác máy tính của bạn. Tìm hiểu tầm quan trọng của một tuyên bố vấn đề được xác định rõ ràng và cách nó tạo ra lộ trình cho dự án của bạn.
• Thu thập và chú thích dữ liệu 🚀 MỚI: Khám phá các công cụ, kỹ thuật và phương pháp hay nhất để thu thập và chú thích dữ liệu nhằm tạo ra dữ liệu đầu vào chất lượng cao cho mô hình thị giác máy tính của bạn.
• Tiền xử lý dữ liệu chú thích 🚀 MỚI: Tìm hiểu về tiền xử lý và tăng cường dữ liệu hình ảnh trong các dự án thị giác máy tính bằng cách sử dụng YOLO11 , bao gồm chuẩn hóa, tăng cường tập dữ liệu, phân tách và phân tích dữ liệu khám phá (EDA).
• Mẹo đào tạo mô hình 🚀 MỚI: Khám phá các mẹo về tối ưu hóa kích thước lô , sử dụng độ chính xác hỗn hợp , áp dụng trọng số được đào tạo trước, v.v. để việc đào tạo mô hình thị giác máy tính của bạn trở nên dễ dàng.
• Thông tin chi tiết về Đánh giá và Tinh chỉnh Mô hình 🚀 MỚI: Tìm hiểu thông tin chi tiết về các chiến lược và phương pháp hay nhất để đánh giá và tinh chỉnh các mô hình thị giác máy tính của bạn. Tìm hiểu về quy trình lặp lại của việc tinh chỉnh các mô hình để đạt được kết quả tối ưu.
• Hướng dẫn về Kiểm thử Mô hình 🚀 MỚI: Hướng dẫn chi tiết về việc kiểm thử các mô hình thị giác máy tính của bạn trong các cài đặt thực tế. Tìm hiểu cách xác minh độ chính xác, độ tin cậy và hiệu suất phù hợp với mục tiêu của dự án.
• Phương pháp hay nhất để triển khai mô hình 🚀 MỚI: Hướng dẫn các mẹo và phương pháp hay nhất 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.
• Duy trì mô hình thị giác máy tính của bạn 🚀 MỚI: Hiểu các hoạt động chính để giám sát, duy trì và ghi lại các mô hình thị giác máy tính nhằm đảm bảo tính chính xác, phát hiện bất thường và giảm thiểu tình trạng trôi dữ liệu.
• ROS Quickstart 🚀 MỚI: 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 hình ảnh Đám mây điểm và Độ sâu.

Đóng góp cho Hướng dẫn của chúng tôi

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

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 mong muốn nhận được sự đóng góp của bạn!

Chúng ta hãy cùng nhau làm việc để tạo ra Ultralytics YOLO hệ sinh thái mạnh mẽ và linh hoạt hơn 🙏!

CÂU HỎI THƯỜNG GẶP

Làm thế nào để tôi đào tạo một mô hình phát hiện đối tượng tùy chỉnh bằng cách sử dụng Ultralytics YOLO ?

Đào tạo 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 theo đúng định dạng và cài đặt Ultralytics gói. Sử dụng mã sau để bắt đầu đào tạo:

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 đào tạo mô hình của chúng tôi.

Tôi nên sử dụng số liệu hiệu suất nào để đánh giá YOLO người mẫu?

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 điểm trên hợp nhất (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 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 tôi?

Ultralytics HUB là một nền tảng không cần mã giúp đơn giản hóa việc quản lý, đào tạo và triển khai YOLO models. Nó hỗ trợ tích hợp liền mạch, theo dõi thời gian thực và đào tạo đám mây, khiến nó trở nên lý tưởng cho cả người mới bắt đầu và chuyên gia. Khám phá thêm về các tính năng của nó và cách nó có thể hợp lý hóa quy trình làm việc của bạn với hướng dẫn bắt đầu nhanh Ultralytics HUB của chúng tôi.

Những vấn đề thường gặp trong quá trình YOLO đào tạo mô hình và tôi có thể giải quyết chúng như thế nào?

Các vấn đề thường gặp trong YOLO đào tạo mô hình bao gồm lỗi định dạng dữ liệu, kiến trúc mô hình không khớp và dữ liệu đào tạo không đủ. Để giải quyết những vấn đề này, hãy đảm bảo tập dữ liệu của bạn được định dạng đúng, kiểm tra các phiên bản mô hình tương thích và tăng cường dữ liệu đào tạo của bạn. Để biết danh sách giải pháp toàn diện, hãy tham khảo hướng dẫn Các vấn đề chung của YOLO của chúng tôi.

Làm thế nào tôi có thể triển khai YOLO mô hình phát hiện đối tượng thời gian thực trên các thiết bị biên?

Triển khai YOLO các mô hình trên các thiết bị cạnh như NVIDIA Jetson và Raspberry Pi yêu cầu chuyển đổi mô hình sang định dạng tương thích như TensorRT hoặc TFLite. Thực hiện 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.

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 2 tháng

Bình luận