Ultralytics YOLO Những câu hỏi thường gặp (FAQ)

Q: What are the system requirements for running Ultralytics models?

Yêu cầu tối thiểu: Thiết lập được đề xuất: Để khắc phục sự cố thường gặp, hãy truy cập YOLO Trang Các vấn đề thường gặp.

Q: How can I train a custom YOLO11 model on my own dataset?

Để đào tạo một tùy chỉnh YOLO11 mô hình: Để có hướng dẫn chuyên sâu hơn, bao gồm chuẩn bị dữ liệu và các tùy chọn đào tạo nâng cao, hãy tham khảo hướng dẫn đào tạo toàn diện.

Q: How do I perform inference using a trained Ultralytics model?

Để thực hiện suy luận với mô hình đã được đào tạo: Để biết các tùy chọn suy luận nâng cao, bao gồm xử lý hàng loạt và suy luận video, hãy xem hướng dẫn dự đoán chi tiết.

Q: What's the difference between YOLOv8 and YOLO11?

Các điểm khác biệt chính bao gồm: Để so sánh sâu hơn về các tính năng và số liệu hiệu suất, hãy truy cập YOLO trang so sánh.

Phần Câu hỏi thường gặp này giải quyết các câu hỏi và vấn đề phổ biến mà người dùng có thể gặp phải khi làm việc với Ultralytics YOLO kho lưu trữ.

CÂU HỎI THƯỜNG GẶP

Là gì Ultralytics và nó cung cấp những gì?

Ultralytics là một công ty AI về thị giác máy tính chuyên về các mô hình phát hiện đối tượng và phân đoạn hình ảnh tiên tiến, tập trung vào YOLO (Bạn chỉ nhìn một lần) gia đình. Các dịch vụ của họ bao gồm:

Triển khai mã nguồn mở của YOLO11 và YOLO11
Một loạt các mô hình được đào tạo trước cho nhiều tác vụ thị giác máy tính khác nhau
Một gói Python toàn diện để tích hợp liền mạch YOLO mô hình thành các dự án
Các công cụ đa năng để đào tạo, thử nghiệm và triển khai các mô hình
Tài liệu phong phú và cộng đồng hỗ trợ

Làm thế nào để tôi cài đặt Ultralytics bưu kiện?

Cài đặt Ultralytics gói này rất đơn giản khi sử dụng pip:

pip install ultralytics

Đối với phiên bản phát triển mới nhất, hãy cài đặt trực tiếp từ kho lưu trữ GitHub:

pip install git+https://github.com/ultralytics/ultralytics.git

Hướng dẫn cài đặt chi tiết có thể được tìm thấy trong hướng dẫn bắt đầu nhanh .

Yêu cầu hệ thống để chạy là gì? Ultralytics mô hình?

Yêu cầu tối thiểu:

Python 3.7+
PyTorch 1.7+
CUDA -tương thích GPU (vì GPU gia tốc)

Thiết lập được đề xuất:

Python 3.8+
PyTorch 1.10+
NVIDIA GPU với CUDA 11.2+
RAM 8GB+
50GB+ dung lượng đĩa trống (để lưu trữ dữ liệu và đào tạo mô hình)

Để khắc phục sự cố thường gặp, hãy truy cập trang Sự cố thường gặp YOLO .

Làm thế nào tôi có thể đào tạo một tùy chỉnh YOLO11 mô hình trên tập dữ liệu của riêng tôi?

Để đào tạo một tùy chỉnh YOLO11 người mẫu:

Chuẩn bị tập dữ liệu của bạn trong YOLO định dạng (hình ảnh và các tập tin txt nhãn tương ứng).
Tạo tệp YAML mô tả cấu trúc và các lớp dữ liệu của bạn.
Sử dụng những điều sau đây Python mã để bắt đầu đào tạo:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.yaml")  # build a new model from scratch
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

Để có hướng dẫn chuyên sâu hơn, bao gồm cả việc chuẩn bị dữ liệu và các tùy chọn đào tạo nâng cao, hãy tham khảo hướng dẫn đào tạo toàn diện.

Những mô hình được đào tạo trước nào có sẵn trong Ultralytics ?

Ultralytics cung cấp một loạt các đào tạo trước đa dạng YOLO11 các mô hình cho nhiều nhiệm vụ khác nhau:

Phát hiện đối tượng: YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x
Phân đoạn phiên bản : YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
Phân loại: YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls

Các mô hình này khác nhau về kích thước và độ phức tạp, cung cấp các sự đánh đổi khác nhau giữa tốc độ và độ chính xác . Khám phá toàn bộ các mô hình được đào tạo trước để tìm ra mô hình phù hợp nhất cho dự án của bạn.

Làm thế nào để tôi thực hiện suy luận bằng cách sử dụng một Ultralytics người mẫu?

Để thực hiện suy luận với một mô hình đã được đào tạo:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Để biết các tùy chọn suy luận nâng cao, bao gồm xử lý hàng loạt và suy luận video, hãy xem hướng dẫn dự đoán chi tiết.

Có thể Ultralytics mô hình có thể được triển khai trên các thiết bị biên hay trong môi trường sản xuất?

Tuyệt đối! Ultralytics Các mô hình được thiết kế để triển khai linh hoạt trên nhiều nền tảng khác nhau:

Thiết bị biên: Tối ưu hóa suy luận trên các thiết bị như NVIDIA Jetson hoặc Intel Neural Compute Stick sử dụng TensorRT , ONNX , hoặc OpenVINO .
Di động: Triển khai trên Android hoặc iOS thiết bị bằng cách chuyển đổi mô hình sang TFLite hoặc Core ML.
Đám mây: Tận dụng các khuôn khổ như TensorFlow Serving hoặc PyTorch Phục vụ cho việc triển khai đám mây có thể mở rộng.
Web: Triển khai suy luận trong trình duyệt bằng cách sử dụng ONNX .js hoặc TensorFlow .js.

Ultralytics cung cấp các chức năng xuất để chuyển đổi mô hình sang nhiều định dạng khác nhau để triển khai. Khám phá nhiều tùy chọn triển khai để tìm giải pháp tốt nhất cho trường hợp sử dụng của bạn.

Sự khác biệt giữa là gì? YOLOv8 Và YOLO11 ?

Những điểm khác biệt chính bao gồm:

Ngành kiến trúc: YOLO11 có thiết kế xương sống và đầu được cải tiến để tăng cường hiệu suất.
Hiệu suất: YOLO11 thường cung cấp độ chính xác và tốc độ cao hơn so với YOLOv8 .
Nhiệm vụ: YOLO11 hỗ trợ phát hiện đối tượng , phân đoạn và phân loại trong một khuôn khổ thống nhất.
Cơ sở mã: YOLO11 được triển khai với kiến trúc có tính mô-đun và khả năng mở rộng hơn, giúp tùy chỉnh và mở rộng dễ dàng hơn.
Đào tạo: YOLO11 kết hợp các kỹ thuật đào tạo tiên tiến như đào tạo đa tập dữ liệu và phát triển siêu tham số để cải thiện kết quả.

Để so sánh chuyên sâu về các tính năng và số liệu hiệu suất, hãy truy cập trang so sánh YOLO .

Làm thế nào tôi có thể đóng góp cho Ultralytics dự án nguồn mở?

Đóng góp cho Ultralytics là một cách tuyệt vời để cải thiện dự án và mở rộng kỹ năng của bạn. Sau đây là cách bạn có thể tham gia:

Nĩa cái Ultralytics kho lưu trữ trên GitHub.
Tạo một nhánh mới cho tính năng hoặc bản sửa lỗi của bạn.
Thực hiện thay đổi và đảm bảo mọi bài kiểm tra đều vượt qua.
Gửi yêu cầu kéo kèm theo mô tả rõ ràng về những thay đổi của bạn.
Tham gia vào quá trình đánh giá mã.

Bạn cũng có thể đóng góp bằng cách báo cáo lỗi, đề xuất tính năng hoặc cải thiện tài liệu. Để biết hướng dẫn chi tiết và các biện pháp thực hành tốt nhất, hãy tham khảo hướng dẫn đóng góp .

Làm thế nào để tôi cài đặt Ultralytics gói trong Python ?

Cài đặt Ultralytics gói trong Python rất đơn giản. Sử dụng pip bằng cách chạy lệnh sau trong terminal hoặc dấu nhắc lệnh của bạn:

pip install ultralytics

Đối với phiên bản phát triển tiên tiến, hãy cài đặt trực tiếp từ kho lưu trữ GitHub:

pip install git+https://github.com/ultralytics/ultralytics.git

Để biết hướng dẫn cài đặt phù hợp với từng môi trường và mẹo khắc phục sự cố, hãy tham khảo hướng dẫn bắt đầu nhanh toàn diện.

Những đặc điểm chính của là gì? Ultralytics YOLO ?

Ultralytics YOLO tự hào có một bộ tính năng phong phú để phát hiện đối tượng tiên tiến và phân đoạn hình ảnh:

Phát hiện thời gian thực: Phát hiện và phân loại đối tượng một cách hiệu quả trong các tình huống thời gian thực.
Các mô hình được đào tạo trước: Truy cập nhiều mô hình được đào tạo trước giúp cân bằng tốc độ và độ chính xác cho các trường hợp sử dụng khác nhau.
Đào tạo tùy chỉnh: Dễ dàng tinh chỉnh các mô hình trên các tập dữ liệu tùy chỉnh với quy trình đào tạo linh hoạt.
Tùy chọn triển khai rộng rãi: Xuất mô hình sang nhiều định dạng khác nhau như TensorRT , ONNX , Và CoreML để triển khai trên nhiều nền tảng khác nhau.
Tài liệu mở rộng: Tận dụng tài liệu toàn diện và cộng đồng hỗ trợ để hướng dẫn bạn trong suốt hành trình tìm hiểu về thị giác máy tính.

Khám phá trang mô hình YOLO để có cái nhìn sâu sắc về khả năng và kiến trúc của các mô hình khác nhau YOLO phiên bản.

Làm thế nào tôi có thể cải thiện hiệu suất của tôi YOLO người mẫu?

Nâng cao của bạn YOLO Hiệu suất của mô hình có thể đạt được thông qua một số kỹ thuật:

Điều chỉnh siêu tham số : Thử nghiệm với các siêu tham số khác nhau bằng cách sử dụng Hướng dẫn điều chỉnh siêu tham số để tối ưu hóa hiệu suất mô hình.
Tăng cường dữ liệu : Triển khai các kỹ thuật như lật, thay đổi tỷ lệ, xoay và điều chỉnh màu sắc để nâng cao tập dữ liệu đào tạo và cải thiện khả năng khái quát hóa của mô hình.
Học chuyển giao : Tận dụng các mô hình được đào tạo trước và tinh chỉnh chúng trên tập dữ liệu cụ thể của bạn bằng cách sử dụng hướng dẫn Train YOLO11 .
Xuất sang các định dạng hiệu quả: Chuyển đổi mô hình của bạn sang các định dạng được tối ưu hóa như TensorRT hoặc ONNX để suy luận nhanh hơn bằng cách sử dụng hướng dẫn Xuất .
Đánh giá chuẩn: Sử dụng Chế độ đánh giá chuẩn để đo lường và cải thiện tốc độ suy luận và độ chính xác một cách có hệ thống.

Tôi có thể triển khai không? Ultralytics YOLO mô hình trên thiết bị di động và thiết bị biên?

Đúng, Ultralytics YOLO các mô hình được thiết kế để triển khai linh hoạt, bao gồm các thiết bị di động và thiết bị biên:

Di động: Chuyển đổi mô hình sang TFLite hoặc CoreML để tích hợp liền mạch vào Android hoặc iOS ứng dụng. Tham khảo Hướng dẫn tích hợp TFLite và Hướng dẫn tích hợp CoreML để biết hướng dẫn cụ thể cho từng nền tảng.
Thiết bị Edge: Tối ưu hóa suy luận trên các thiết bị như NVIDIA Jetson hoặc phần cứng cạnh khác sử dụng TensorRT hoặc ONNX . Hướng dẫn tích hợp Edge TPU cung cấp các bước chi tiết để triển khai Edge.

Để có cái nhìn tổng quan về các chiến lược triển khai trên nhiều nền tảng khác nhau, hãy tham khảo hướng dẫn về tùy chọn triển khai .

Làm thế nào tôi có thể thực hiện suy luận bằng cách sử dụng một Ultralytics YOLO người mẫu?

Thực hiện suy luận với một người được đào tạo Ultralytics YOLO mô hình rất đơn giản:

Tải mô hình:

from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")

Chạy suy luận:

results = model("path/to/image.jpg")

for r in results:
    print(r.boxes)  # print bounding box predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Để biết các kỹ thuật suy luận nâng cao, bao gồm xử lý hàng loạt, suy luận video và xử lý trước tùy chỉnh, hãy tham khảo hướng dẫn dự đoán chi tiết.

Tôi có thể tìm thấy ví dụ và hướng dẫn sử dụng ở đâu? Ultralytics ?

Ultralytics cung cấp nhiều tài nguyên giúp bạn bắt đầu và làm chủ các công cụ của họ:

📚 Tài liệu chính thức : Hướng dẫn toàn diện, tài liệu tham khảo API và các biện pháp thực hành tốt nhất.
💻 Kho lưu trữ GitHub : Mã nguồn, tập lệnh mẫu và đóng góp của cộng đồng.
✍️ Blog Ultralytics : Các bài viết chuyên sâu, trường hợp sử dụng và thông tin chuyên sâu về kỹ thuật.
💬 Diễn đàn cộng đồng : Kết nối với người dùng khác, đặt câu hỏi và chia sẻ kinh nghiệm của bạn.
🎥 Kênh YouTube : Video hướng dẫn, bản demo và hội thảo trên web về nhiều chủ đề khác nhau Ultralytics chủ đề.

Các tài nguyên này cung cấp các ví dụ về mã, các trường hợp sử dụng thực tế và hướng dẫn từng bước cho nhiều tác vụ khác nhau bằng cách sử dụng Ultralytics mô hình.

Nếu bạn cần thêm trợ giúp, đừng ngần ngại tham khảo Ultralytics tài liệu hoặc liên hệ với cộng đồng thông qua GitHub Issues hoặc diễn đàn thảo luận chính thức.

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