Ultralytics YOLO11 Chế độ

Giới thiệu

Ultralytics YOLO11 không chỉ là một mô hình phát hiện đối tượng khác; mà là một khuôn khổ đa năng được thiết kế để bao phủ toàn bộ vòng đời của các mô hình học máy —từ thu thập dữ liệu và đào tạo 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 cung cấp cho bạn sự linh hoạt và hiệu quả cần thiết cho các tác vụ và trường hợp sử dụng khác nhau.

Đồng hồ: Ultralytics Hướng dẫn về các chế độ: Đào tạo, Xác thực, Dự đoán, Xuất và Đánh giá chuẩn.

Tổng quan về các chế độ

Hiểu các chế độ khác nhau mà Ultralytics YOLO11 hỗ trợ rất quan trọng để tận dụng tối đa các mô hình của bạn:

• Chế độ đào tạo : Tinh chỉnh mô hình của bạn trên các tập dữ liệu tùy chỉnh hoặc được tải trước.
• Chế độ Val : Điểm kiểm tra sau khi đào tạo để xác thực hiệu suất của mô hình.
• Chế độ dự đoán : Phát huy sức mạnh dự đoán của mô hình trên dữ liệu thực tế.
• Chế độ xuất : Chuẩn bị triển khai mô hình của bạn ở nhiều định dạng khác nhau.
• Chế độ theo dõi : Mở rộng mô hình phát hiện đối tượng của bạn thành các ứng dụng theo dõi thời gian thực.
• Chế độ chuẩn : Phân tích tốc độ và độ chính xác của mô hình của bạn trong nhiều môi trường triển khai khác nhau.

Hướng dẫn toàn diện này nhằm mục đích cung cấp cho bạn cái nhìn tổng quan và hiểu biết thực tế về từng chế độ, giúp bạn khai thác hết tiềm năng của YOLO11 .

Xe lửa

Chế độ đào tạo được sử dụng để đào tạo một YOLO11 mô hình trên một tập dữ liệu tùy chỉnh. Ở chế độ này, mô hình được đào tạo bằng cách sử dụng tập dữ liệu và siêu tham số đã chỉ định. Quá trình đào tạo bao gồm việc tối ưu hóa các tham số của mô hình để có thể dự đoán chính xác các lớp và vị trí của các đối tượng trong một hình ảnh. Đào tạo là điều cần thiết để tạo ra các mô hình có thể nhận dạng các đối tượng cụ thể có liên quan đến ứng dụng của bạn.

Ví dụ về tàu hỏa

Giá trị

Chế độ Val được sử dụng để xác thực một YOLO11 mô hình sau khi đã được đào tạo. Trong chế độ này, mô hình được đánh giá trên một tập xác thực để đo độ chính xác và hiệu suất tổng quát hóa của nó. Xác thực giúp xác định các vấn đề tiềm ẩn như quá khớp và cung cấp các số liệu như Độ chính xác trung bình (mAP) để định lượng hiệu suất mô hình. Chế độ này rất quan trọng để điều chỉnh siêu tham số và cải thiện hiệu quả tổng thể của mô hình.

Ví dụ Val

Dự đoán

Chế độ dự đoán được sử dụng để đưa ra dự đoán bằng cách sử dụng một YOLO11 mô hình trên hình ảnh hoặc video mới. Ở chế độ này, mô hình được tải từ tệp điểm kiểm tra và người dùng có thể cung cấp hình ảnh hoặc video để thực hiện suy luận. Mô hình xác định và định vị các đối tượng trong phương tiện đầu vào, giúp mô hình sẵn sàng cho các ứng dụng trong thế giới thực. Chế độ dự đoán là cửa ngõ để áp dụng mô hình đã đào tạo của bạn để giải quyết các vấn đề thực tế.

Dự đoán Ví dụ

Xuất khẩu

Chế độ xuất được sử dụng để chuyển đổi YOLO11 mô hình thành các định dạng phù hợp để triển khai trên nhiều nền tảng và thiết bị khác nhau. Chế độ này chuyển đổi PyTorch mô hình thành các định dạng được tối ưu hóa như ONNX , TensorRT , hoặc CoreML , cho phép triển khai trong môi trường sản xuất. Xuất là điều cần thiết để tích hợp mô hình của bạn với nhiều ứng dụng phần mềm hoặc thiết bị phần cứng khác nhau, thường dẫn đến cải thiện hiệu suất đáng kể.

Ví dụ xuất khẩu

Theo dõi

Chế độ theo dõi mở rộng YOLO11 Khả năng phát hiện đối tượng để theo dõi các đối tượng trên các khung hình video hoặc luồng trực tiếp. Chế độ này đặc biệt có giá trị đối với các ứng dụng yêu cầu nhận dạng đối tượng liên tục, chẳng hạn như hệ thống giám sát hoặc xe tự lái . Chế độ theo dõi triển khai các thuật toán phức tạp như ByteTrack để duy trì danh tính đối tượng trên các khung hình, ngay cả khi các đối tượng tạm thời biến mất khỏi tầm nhìn.

Ví dụ về theo dõi

Điểm chuẩn

Chế độ chuẩn đánh giá tốc độ và độ chính xác của nhiều định dạng xuất khác nhau cho YOLO11 . Chế độ này cung cấp số liệu toàn diện về kích thước mô hình, độ chính xác (mAP50-95 cho các tác vụ phát hiện hoặc accuracy_top5 cho phân loại) và thời gian suy luận trên các định dạng khác nhau như ONNX , OpenVINO và TensorRT . Phân tích chuẩn giúp bạn chọn định dạng xuất tối ưu dựa trên các yêu cầu cụ thể về tốc độ và độ chính xác trong môi trường triển khai của bạn.

Ví dụ về chuẩn mực

CÂU HỎI THƯỜNG GẶP

Làm thế nào để tôi đào tạo một mô hình phát hiện đối tượng tùy chỉnh với Ultralytics YOLO11 ?

Đào tạo một mô hình phát hiện đối tượng tùy chỉnh với Ultralytics YOLO11 bao gồm việc sử dụng chế độ đào tạo. Bạn cần một tập dữ liệu được định dạng trong YOLO định dạng, chứa hình ảnh và các tệp chú thích tương ứng. Sử dụng lệnh sau để bắt đầu quá trình đào tạo:

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")

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

# Train a YOLO model from the command line
yolo train data=path/to/dataset.yaml epochs=100 imgsz=640

Để biết hướng dẫn chi tiết hơn, bạn có thể tham khảo Hướng dẫn đào tạo Ultralytics .

Những số liệu nào Ultralytics YOLO11 dùng để xác thực hiệu suất của mô hình?

Ultralytics YOLO11 sử dụng nhiều số liệu khác nhau trong quá trình xác thực để đánh giá hiệu suất của mô hình. Bao gồm:

• mAP (Độ chính xác trung bình) : Đánh giá độ chính xác của việc phát hiện đối tượng.
• IOU (Giao điểm trên hợp) : Đo độ chồng lấn giữa các hộp giới hạn dự đoán và hộp giới hạn thực tế.
• Độ chính xác và khả năng thu hồi : Độ chính xác đo tỷ lệ phát hiện dương tính thực sự so với tổng số dương tính được phát hiện, trong khi khả năng thu hồi đo tỷ lệ phát hiện dương tính thực sự so với tổng số dương tính thực tế.

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

from ultralytics import YOLO

# Load a pre-trained or custom YOLO model
model = YOLO("yolo11n.pt")

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

# Validate a YOLO model from the command line
yolo val data=path/to/validation.yaml

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

Làm thế nào tôi có thể xuất khẩu của tôi YOLO11 mô hình triển khai?

Ultralytics YOLO11 cung cấp chức năng xuất để chuyển đổi mô hình đã đào tạo của bạn thành nhiều định dạng triển khai khác nhau như ONNX , TensorRT , CoreML và nhiều hơn nữa. Sử dụng ví dụ sau để xuất mô hình của bạn:

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo11n.pt")

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

# Export a YOLO model to ONNX format from the command line
yolo export model=yolo11n.pt format=onnx

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

Mục đích của chế độ chuẩn trong Ultralytics YOLO11 ?

Chế độ chuẩn trong Ultralytics YOLO11 được sử dụng để phân tích tốc độ và sự chính xác của nhiều định dạng xuất khẩu khác nhau như ONNX , TensorRT , Và OpenVINO . Nó cung cấp các số liệu như kích thước mô hình, mAP50-95 để phát hiện đối tượng và thời gian suy luận trên các thiết lập phần cứng khác nhau, giúp bạn chọn định dạng phù hợp nhất cho nhu cầu triển khai của mình.

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="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

# Benchmark a YOLO model from the command line
# Adjust parameters as needed for your specific use case
yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0

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

Làm thế nào tôi có thể thực hiện theo dõi đối tượng theo thời gian thực bằng cách sử dụng Ultralytics YOLO11 ?

Có thể theo dõi đối tượng theo thời gian thực bằng cách sử dụng chế độ theo dõi trong Ultralytics YOLO11 . Chế độ này mở rộng khả năng phát hiện đối tượng để theo dõi đối tượng trên các khung hình video hoặc nguồn cấp dữ liệu trực tiếp. Sử dụng ví dụ sau để bật theo dõi:

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")

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

# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4

Để biết hướng dẫn chi tiết hơn, hãy truy cập Hướng dẫn theo dõi .

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 4 ngày

Bình luận