Hướng dẫn toàn diện về Ultralytics YOLO

Chào mừng bạn đến với Ultralytics' YOLO 🚀 Hướng dẫn! Hướng dẫn toàn diện của chúng tôi bao gồm các 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 tác vụ phát hiện đối tượng thời gian thực.

Cho dù bạn là người mới bắt đầu hay 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 đi sâu vào!

Xem: Ultralytics YOLOv8 Tổng quan về hướng dẫn

Hướng dẫn

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

• YOLO Các vấn đề ⭐ thường gặp KHUYẾN NGHỊ: Các giải pháp thiết thực và mẹo khắc phục sự cố cho các sự cố thường gặp nhất khi làm việc với Ultralytics YOLO Mô hình.
• YOLO Chỉ số ⭐ hiệu suất CẦN THIẾT: Hiểu các số liệu chính như điểm mAP, IoT và F1 được sử dụng để đánh giá hiệu suất của bạn YOLO Mô hình. Bao gồm các ví dụ và mẹo thực tế về cách cải thiện độ chính xác và tốc độ phát hiện.
• Tùy chọn triển khai mô hình: Tổng quan về YOLO Các định dạng triển khai mô hình như ONNX, OpenVINOvà TensorRT, với những ưu và nhược điểm cho từng loại để thông báo chiến lược triển khai của bạn.
• Xác thực 🚀 chéo K-Fold MỚI: Tìm hiểu cách cải thiện khái 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 bằng cách sử dụng lớp Tuner và các thuật toán tiến hóa di truyền.
• SAHI Tiled Inference 🚀 MỚI: Hướng dẫn toàn diện về cách tận dụng khả năng suy luận lát cắt của SAHI với YOLOv8 để phát hiện đối tượng trong hình ảnh có độ phân giải cao.
• AzureML Quickstart 🚀 MỚI: Thiết lập và chạy với Ultralytics YOLO Mô hình trên MicrosoftNền tảng Azure Machine Learning của bạn. Tìm hiểu cách đào tạo, triển khai và thay đổi 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 🚀 NEW: Hướng dẫn đầy đủ để 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 biệt lập để phát triển và triển khai nhất quán.
• Raspberry Pi 🚀 MỚI: Hướng dẫn bắt đầu nhanh để chạy YOLO mô hình cho 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.
• Triton Tích hợp máy chủ suy luận MỚI: Đi sâu vào tích hợp 🚀 Ultralytics YOLOv8 với NVIDIA's Triton Inference Server để triển khai suy luận deep learning có thể mở rộng và hiệu quả.
• YOLO Suy luận an toàn theo luồng MỚI: Nguyên tắc thực hiện suy luận với 🚀 YOLO mô hình một cách an toàn theo luồng. Tìm hiểu tầm quan trọng của an toàn luồng và các phương pháp hay nhất để ngăn chặn điều kiện cuộc 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.
• Cạnh TPU trên Raspberry Pi: Google Cạnh 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 các phiên Remote Tunnel hoặc SSH.
• OpenVINO Chế độ độ trễ so với thông lượng - Tìm hiểu các kỹ thuật tối ưu hóa độ trễ và thông lượng cho đỉnh điểm YOLO hiệu suất suy luận.
• Các bước của dự án 🚀 thị giác máy tính MỚI: Tìm hiểu về các bước chính liên quan đến dự án thị giác máy tính, bao gồm xác định mục tiêu, 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 đầu vào chất lượng cao cho các 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 YOLOv8, bao gồm chuẩn hóa, tăng cường tập dữ liệu, tách và phân tích dữ liệu thăm dò (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 lượng được đào tạo trước và hơn thế nữa để giúp việc đào tạo mô hình thị giác máy tính của bạn trở nên dễ dàng.
• Thông tin chi tiết về Đánh giá mô hình và Tinh chỉnh 🚀 MỚI: Hiểu rõ hơn về các chiến lược và thực tiễn tốt nhất để đánh giá và tinh chỉnh các mô hình thị giác máy tính của bạn. Tìm hiểu về quá trình lặp đi lặp lại của các mô hình tinh chỉnh để đạt được kết quả tối ưu.
• Hướng dẫn về kiểm tra 🚀 mô hình MỚI: Hướng dẫn kỹ lưỡng về kiểm tra các mô hình thị giác máy tính của bạn trong 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.
• Các phương pháp hay nhất để triển khai 🚀 mô hình MỚI: Xem qua các mẹo và phương pháp hay nhất để triển khai hiệu quả các mô hình 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 phương pháp chính để theo dõi, duy trì và ghi lại các mô hình thị giác máy tính để đảm bảo độ chính xác, phát hiện sự bất thường và giảm thiểu sự trôi dạt 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 Point Cloud và Depth.

Đóng góp cho hướng dẫn của chúng tôi

Chúng tôi hoan nghênh sự đóng góp từ cộng đồng! Nếu bạn đã nắm vững một khía cạnh cụ thể của Ultralytics YOLO Điều đó 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 trả lại cho 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 nhận được sự đóng góp của các bạn!

Hãy làm việc cùng nhau để tạo ra Ultralytics YOLO Hệ sinh thái mạnh mẽ và linh hoạt 🙏 hơn!

FAQ

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

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

from ultralytics import YOLO

model = YOLO("yolov8s.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=yolov8s.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 mẫu?

Đánh giá của bạn YOLO Hiệu suất mô hình là rất quan trọng để hiểu hiệu quả của nó. Các chỉ số chính bao gồm Độ chính xác trung bình trung bình (mAP), Giao lộ trên Liên minh (IoU) và điểm F1. Các số liệu này giúp đánh giá độ chính xác và độ chính xác của các nhiệm vụ phát hiện đối tượng. Bạn có thể tìm hiểu thêm về các chỉ số này và cách cải thiện mô hình của mình trong YOLO Hướng dẫn về Chỉ số hiệu suất .

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 mã giúp đơn giản hóa việc quản lý, đào tạo và triển khai YOLO Mô hình. Nó hỗ trợ tích hợp liền mạch, theo dõi thời gian thực và đào tạo đám mây, 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 Ultralytics Hướng dẫn bắt đầu nhanh HUB.

Các vấn đề phổ biến phải đối mặt trong quá trình là gì YOLO đào tạo mô hình, và làm thế nào tôi có thể giải quyết chúng?

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 chính xác, kiểm tra các phiên bản mô hình tương thích và tăng cường dữ liệu đào tạo của bạn. Để biết danh sách đầy đủ các giải pháp, hãy tham khảo YOLO Hướng dẫn về các vấn đề thường gặp .

Làm thế nào tôi có thể triển khai của tôi 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. Làm theo hướng dẫn từng bước của chúng tôi cho NVIDIA Triển khai 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 cách cài đặt, cấu hình và tối ưu hóa hiệu suất.

Ý kiến