Ultralytics YOLOv8 Chế độ

Giới thiệu

Ultralytics YOLOv8 không chỉ là một mô hình phát hiện đối tượng khác; Đó là một khung linh hoạt được thiết kế để bao gồm toàn bộ vòng đời của các mô hình học máy — từ nhập 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.

Xem: Ultralytics Chế độ hướng dẫn: Đào tạo, Xác nhận, Dự đoán, Xuất & Điểm chuẩn.

Sơ lược về các chế độ

Hiểu các chế độ khác nhau mà Ultralytics YOLOv8 Hỗ trợ là rất quan trọng để tận dụng tối đa các mô hình của bạn:

• Chế độ tàu hỏa : Tinh chỉnh mô hình của bạn trên các bộ dữ liệu tùy chỉnh hoặc tải sẵn.
• Chế độ Val : Một điểm kiểm tra sau đào tạo để xác thực hiệu suất mô hình.
• Chế độ dự đoán : Giải phóng sức mạnh dự đoán của mô hình của bạn trên dữ liệu trong thế giới thực.
• Chế độ xuất : Làm cho mô hình của bạn sẵn sàng triển khai 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 điểm chuẩn : 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 hiểu biết thực tế về từng chế độ, giúp bạn khai thác toàn bộ tiềm năng của YOLOv8.

Xe lửa

Chế độ tàu được sử dụng để đào tạo một YOLOv8 mô hình trên tập dữ liệu tùy chỉnh. Trong chế độ này, mô hình được đào tạo bằng cách sử dụng tập dữ liệu và siêu tham số được chỉ định. Quá trình đào tạo liên quan đến việc tối ưu hóa các tham số của mô hình để nó có thể dự đoán chính xác các lớp và vị trí của các đối tượng trong một hình ảnh.

Ví dụ về tàu hỏa

Val

Chế độ Val được sử dụng để xác thực một YOLOv8 mô hình sau khi nó đã được đào tạo. Trong chế độ này, mô hình được đánh giá trên một bộ xác nhận để đo lường độ chính xác và hiệu suất khái quát hóa của nó. Chế độ này có thể được sử dụng để điều chỉnh các siêu tham số của mô hình để cải thiện hiệu suất của nó.

Ví dụ về Val

Dự đoán

Chế độ dự đoán được sử dụng để đưa ra dự đoán bằng cách sử dụng chế độ đã qua đào tạo YOLOv8 Mô hình hóa trên hình ảnh hoặc video mới. Trong 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 dự đoán các lớp và vị trí của các đối tượng trong hình ảnh hoặc video đầu vào.

Dự đoán ví dụ

Xuất khẩu

Chế độ xuất được sử dụng để xuất một YOLOv8 Mô hình hóa thành một định dạng có thể được sử dụng để triển khai. Trong chế độ này, mô hình được chuyển đổi sang định dạng có thể được sử dụng bởi các ứng dụng phần mềm hoặc thiết bị phần cứng khác. Chế độ này rất hữu ích khi triển khai mô hình cho môi trường sản xuất.

Ví dụ xuất khẩu

Rãnh

Chế độ theo dõi được sử dụng để theo dõi các đối tượng trong thời gian thực bằng cách sử dụng YOLOv8 mẫu. Trong chế độ này, mô hình được tải từ tệp điểm kiểm tra và người dùng có thể cung cấp luồng video trực tiếp để thực hiện theo dõi đối tượng theo thời gian thực. Chế độ này rất hữu ích cho các ứng dụng như hệ thống giám sát hoặc xe tự lái.

Ví dụ theo dõi

Chuẩn

Chế độ điểm chuẩn được sử dụng để lập hồ sơ tốc độ và độ chính xác của các định dạng xuất khác nhau cho YOLOv8. Các điểm chuẩn cung cấp thông tin về kích thước của định dạng đã xuất, của nó mAP50-95 số liệu (để phát hiện, phân đoạn và tạo dáng đối tượng) hoặc accuracy_top5 số liệu (để phân loại) và thời gian suy luận tính bằng mili giây trên mỗi hình ảnh trên các định dạng xuất khác nhau như ONNX, OpenVINO, TensorRT và những người khác. Thông tin này có thể giúp người dùng chọn định dạng xuất tối ưu cho trường hợp sử dụng cụ thể của họ dựa trên yêu cầu của họ về tốc độ và độ chính xác.

Ví dụ điểm chuẩn

FAQ

Làm cách nào để đào tạo mô hình phát hiện đối tượng tùy chỉnh với Ultralytics YOLOv8?

Đào tạo mô hình phát hiện đối tượng tùy chỉnh với Ultralytics YOLOv8 liên quan đến việc sử dụng chế độ tàu. 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

# Train a custom model
model = YOLO("yolov8n.pt")
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

yolo train data=path/to/dataset.yaml epochs=100 imgsz=640

Để được hướng dẫn chi tiết hơn, bạn có thể tham khảo Ultralytics Hướng dẫn viên tàu hỏa.

Số liệu nào Ultralytics YOLOv8 Sử dụng để xác thực hiệu suất của mô hình?

Ultralytics YOLOv8 sử dụng các số liệu khác nhau trong quá trình xác thực để đánh giá hiệu suất mô hình. Chúng bao gồm:

• mAP (độ chính xác trung bình trung bình): Điều này đánh giá độ chính xác của việc phát hiện đối tượng.
• IOU (Giao lộ trên Liên minh): Đo lường sự chồng chéo giữa các hộp giới hạn sự thật dự đoán và mặt đất.
• Độ chính xác và thu hồi: Độ chính xác đo tỷ lệ phát hiện dương tính thực sự trên tổng số dương tính được phát hiện, trong khi thu hồi đo tỷ lệ phát hiện dương tính thực sự trên tổng số dương tính thực tế.

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

from ultralytics import YOLO

# Validate the model
model = YOLO("yolov8n.pt")
model.val(data="path/to/validation.yaml")

yolo val data=path/to/validation.yaml

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

Làm cách nào để xuất YOLOv8 Mô hình triển khai?

Ultralytics YOLOv8 Cung cấp chức năng xuất để chuyển đổi mô hình đã đào tạo của bạn sang các định dạng triển khai khác nhau như ONNX, TensorRT, CoreMLvà hơn thế nữa. Sử dụng ví dụ sau để xuất mô hình của bạn:

from ultralytics import YOLO

# Export the model
model = YOLO("yolov8n.pt")
model.export(format="onnx")

yolo export model=yolov8n.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 điểm chuẩn trong là gì Ultralytics YOLOv8?

Chế độ điểm chuẩn trong Ultralytics YOLOv8 được sử dụng để phân tích tốc độ và độ chính xác của các định dạng xuất khác nhau như ONNX, TensorRTvà 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

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

yolo benchmark model=yolov8n.pt data='coco8.yaml' imgsz=640 half=False device=0

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

Làm cách nào để thực hiện theo dõi đối tượng theo thời gian thực bằng cách sử dụng Ultralytics YOLOv8?

Theo dõi đối tượng thời gian thực có thể đạt được bằng cách sử dụng chế độ theo dõi trong Ultralytics YOLOv8. Chế độ này mở rộng khả năng phát hiện đối tượng để theo dõi các 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

# Track objects in a video
model = YOLO("yolov8n.pt")
model.track(source="path/to/video.mp4")

yolo track source=path/to/video.mp4

Để biết hướng dẫn chuyên sâu, hãy truy cập Hướng dẫn theo dõi.

Ý kiến