Ultralytics YOLO27:

Các chế độ trong Ultralytics YOLO26#

Ultralytics YOLO ecosystem and integrations

Giới thiệu#

Ultralytics YOLO26 không chỉ đơn thuần là một mô hình phát hiện đối tượng; đây là một framework linh hoạt được thiết kế để bao phủ toàn bộ vòng đời của các mô hình machine learning—từ việc tiếp nhận dữ liệu và huấn luyện mô hình đến xác thực, triển khai và theo dõi trong thế giới thực. Mỗi chế độ phục vụ một mục đích cụ thể và được thiết kế để mang lại cho bạn sự linh hoạt và hiệu quả cần thiết cho các tác vụ và trường hợp sử dụng khác nhau.

Để biết thông tin về hỗ trợ YOLO27 trong kế hoạch, hãy xem bản xem trước YOLO27. YOLO27 sắp ra mắt và chưa khả dụng; hướng dẫn này sử dụng các model YOLO26 đã phát hành.



Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.

Tổng quan về các chế độ#

Hiểu rõ các chế độ mà Ultralytics YOLO26 hỗ trợ là điều quan trọng để khai thác tối đa hiệu quả từ các mô hình của bạn:

  • Train mode: Tinh chỉnh mô hình của bạn trên các tập dữ liệu tùy chỉnh hoặc có sẵn.
  • Val mode: Điểm kiểm tra sau khi huấn luyện để xác thực hiệu năng của mô hình.
  • Predict mode: Khai thác sức mạnh dự đoán của mô hình trên dữ liệu thực tế.
  • Export mode: Giúp mô hình triển khai sẵn sàng ở nhiều định dạng khác nhau.
  • Track mode: Mở rộng mô hình phát hiện đối tượng của bạn sang các ứng dụng theo dõi thời gian thực.
  • Benchmark mode: Phân tích tốc độ và độ chính xác của mô hình trong các môi trường triển khai đa dạng.

Hướng dẫn toàn diện này nhằm cung cấp cho bạn cái nhìn tổng quan và những hiểu biết thực tế về từng chế độ, giúp bạn khai thác toàn bộ tiềm năng của YOLO26.

Huấn luyện#

Train mode được sử dụng để huấn luyện một mô hình YOLO26 trên một tập dữ liệu tùy chỉnh. Trong chế độ này, mô hình được huấn luyện bằng tập dữ liệu và các siêu tham số được chỉ định. Quá trình huấn luyện bao gồm việc tối ưu hóa các tham số của mô hình để mô hình có thể dự đoán chính xác các lớp và vị trí của các đối tượng trong một hình ảnh. Huấn luyện là bước thiết yếu để tạo ra các mô hình có thể nhận diện các đối tượng cụ thể liên quan đến ứng dụng của bạn.

Trang ví dụ huấn luyện

Val#

Val mode được sử dụng để xác thực một mô hình YOLO26 sau khi mô hình đã được huấn luyện. Trong chế độ này, mô hình được đánh giá trên một tập xác thực để đo lường độ chính xác và hiệu suất tổng quát hóa. Việc xác thực giúp xác định các vấn đề tiềm ẩn như overfitting và cung cấp các số liệu như mean Average Precision (mAP) để định lượng hiệu năng của mô hình. Chế độ này đóng vai trò quan trọng trong việc tinh chỉnh các siêu tham số và cải thiện hiệu quả tổng thể của mô hình.

Trang ví dụ xác thực

Dự đoán#

Predict mode được sử dụng để đưa ra dự đoán bằng một mô hình YOLO26 đã được huấn luyện trên các hình ảnh hoặc video mới. Trong chế độ này, mô hình được tải từ một tệp checkpoint và người dùng có thể cung cấp hình ảnh hoặc video để thực hiện suy luận. Mô hình xác định và khoanh vùng các đối tượng trong tệp phương tiện đầu vào, giúp mô hình sẵn sàng cho các ứng dụng trong thế giới thực. Predict mode là cửa ngõ để áp dụng mô hình đã huấn luyện của bạn nhằm giải quyết các vấn đề thực tế.

Trang ví dụ dự đoán

Export#

Export mode được sử dụng để chuyển đổi một mô hình YOLO26 sang các định dạng phù hợp để triển khai trên các nền tảng và thiết bị khác nhau. Chế độ này chuyển đổi mô hình PyTorch của bạn thành các định dạng được tối ưu hóa như ONNX, TensorRT hoặc CoreML, cho phép triển khai trong môi trường sản xuất. Việc xuất mô hình là điều cần thiết để tích hợp mô hình của bạn với các ứng dụng phần mềm hoặc thiết bị phần cứng khác nhau, thường mang lại những cải thiện đáng kể về hiệu năng.

Trang ví dụ xuất

Track#

Track mode mở rộng khả năng phát hiện đối tượng của YOLO26 để theo dõi các đối tượng qua các khung hình video hoặc luồng phát trực tiếp. Chế độ này đặc biệt có giá trị đối với các ứng dụng đòi hỏi nhận diện đối tượng liên tục, chẳng hạn như hệ thống giám sát hoặc xe tự lái. Chế độ này bao gồm sáu bộ theo dõi: TrackTrack (mặc định), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT và FastTracker.

Trang ví dụ theo dõi

Benchmark#

Benchmark mode lập hồ sơ về tốc độ và độ chính xác của các định dạng xuất khác nhau cho YOLO26. Chế độ này cung cấp các số liệu toàn diện về kích thước mô hình, độ chính xác (mAP50-95 cho các tác vụ phát hiện hoặc accuracy_top1 cho phân loại) và thời gian suy luận trên các định dạng khác nhau như ONNX, OpenVINO và TensorRT. Việc đánh giá chuẩn giúp bạn lựa chọn định dạng xuất tối ưu dựa trên các yêu cầu cụ thể của bạn về tốc độ và độ chính xác trong môi trường triển khai.

Trang ví dụ điểm chuẩn

FAQ#

  • Huấn luyện một mô hình phát hiện đối tượng tùy chỉnh với Ultralytics YOLO26 bao gồm việc sử dụng train mode. Bạn cần một tập dữ liệu được định dạng theo định dạng YOLO, chứa các hình ảnh và các tệp chú thích tương ứng. Sử dụng câu lệnh sau để bắt đầu quá trình huấn luyện:

    Ví dụ
    from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

    Để có thêm hướng dẫn chi tiết, bạn có thể tham khảo Hướng dẫn Huấn luyện Ultralytics.

  • Ultralytics YOLO26 sử dụng nhiều số liệu khác nhau trong quá trình xác thực để đánh giá hiệu năng của mô hình. Các số liệu này bao gồm:

    • mAP (mean Average Precision): Số liệu này đánh giá độ chính xác của việc phát hiện đối tượng.
    • IOU (Intersection over Union): Đo lường mức độ trùng lặp giữa các hộp giới hạn được dự đoán và hộp giới hạn thực tế.
    • Precision và Recall: Precision đo lường tỷ lệ các phát hiện dương tính tính chính xác trên tổng số các phát hiện dương tính, trong khi recall đo lường tỷ lệ các phát hiện dương tính chính xác trên tổng số các dương tính thực tế.

    Bạn có thể chạy câu lệnh sau để bắt đầu quá trình xác thực:

    Ví dụ
    from ultralytics import YOLO

# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

    Tham khảo Hướng dẫn Xác thực để biết thêm chi tiết.

  • Ultralytics YOLO26 cung cấp tính năng xuất mô hình để chuyển đổi mô hình đã huấn luyện của bạn thành các định dạng triển khai khác nhau như ONNX, TensorRT, CoreML và nhiều định dạng khác. Sử dụng ví dụ sau để xuất mô hình của bạn:

    Ví dụ
    from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")

    Các bước chi tiết cho từng định dạng xuất có thể được tìm thấy trong Hướng dẫn Xuất.

  • Benchmark mode trong Ultralytics YOLO26 được sử dụng để phân tích tốc độ và độ chính xác của các định dạng xuất khác nhau như ONNX, TensorRT và OpenVINO. Chế độ này cung cấp các số liệu như kích thước mô hình, mAP50-95 cho phát hiện đối tượng và thời gian suy luận trên các cấu hình phần cứng khác nhau, giúp bạn chọn định dạng phù hợp nhất cho nhu cầu triển khai của mình.

    Ví dụ
    from ultralytics.utils.benchmarks import benchmark

# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)

    Để biết thêm chi tiết, hãy tham khảo Hướng dẫn Đánh giá chuẩn.

  • Theo dõi đối tượng thời gian thực có thể đạt được bằng cách sử dụng track mode trong Ultralytics YOLO26. Chế độ này mở rộng khả năng phát hiện đối tượng để theo dõi các đối tượng qua các khung hình video hoặc nguồn cấp dữ liệu trực tiếp. Sử dụng ví dụ sau để bật tính năng theo dõi:

    Ví dụ
    from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

    Để có hướng dẫn chi tiết, hãy truy cập Hướng dẫn Theo dõi.

Những người đóng góp
GLglenn-jocher17RAraimbekovm3ONonuralpszr2MImiles-deans-ultralytics1SEsergiuwaxmann1PDpderrenger1LEleonnil1MAMatthewNoyce1RIRizwanMunawar1

Bình luận