Bỏ để qua phần nội dung

Ultralytics YOLOv8 Chế độ

Ultralytics YOLO Hệ sinh thái và tích hợp

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



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (5)

Ý kiến