Bỏ để qua phần nội dung

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 nền tảng Azure Machine Learning của Microsoft. 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 hỗ trợ GPU 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 🚀 NEW: Quickstart guide for deploying YOLO models on NVIDIA Jetson devices.
  • Triton Tích hợp máy chủ suy luận MỚI: Đi sâu vào tích hợp 🚀 Ultralytics YOLOv8 với NVIDIA 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.
  • Steps of a Computer Vision Project 🚀 NEW: Learn about the key steps involved in a computer vision project, including defining goals, selecting models, preparing data, and evaluating results.
  • Defining A Computer Vision Project's Goals 🚀 NEW: Walk through how to effectively define clear and measurable goals for your computer vision project. Learn the importance of a well-defined problem statement and how it creates a roadmap for your project.
  • Data Collection and Annotation 🚀 NEW: Explore the tools, techniques, and best practices for collecting and annotating data to create high-quality inputs for your computer vision models.
  • Preprocessing Annotated Data 🚀 NEW: Learn about preprocessing and augmenting image data in computer vision projects using YOLOv8, including normalization, dataset augmentation, splitting, and exploratory data analysis (EDA).
  • ROS Quickstart 🚀 NEW: Learn how to integrate YOLO with the Robot Operating System (ROS) for real-time object detection in robotics applications, including Point Cloud and Depth images.

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!



Created 2023-11-12, Updated 2024-06-19
Authors: ambitious-octopus (1), glenn-jocher (10), abirami-vina (2), RizwanMunawar (7), Burhan-Q (3), lakshanthad (1), ouphi (1)

Ý kiến