Phát hiện đối tượng

Ví dụ phát hiện đối tượng

Phát hiện đối tượng là nhiệm vụ liên quan đến việc xác định vị trí và loại đối tượng trong luồng hình ảnh hoặc video.

Đầu ra của máy dò đối tượng là một tập hợp các hộp giới hạn bao quanh các đối tượng trong hình ảnh, cùng với nhãn lớp và điểm tin cậy cho mỗi hộp. Phát hiện đối tượng là một lựa chọn tốt khi bạn cần xác định các đối tượng quan tâm trong một cảnh, nhưng không cần biết chính xác đối tượng ở đâu hoặc hình dạng chính xác của nó.

Xem: Phát hiện đối tượng với đào tạo trước Ultralytics YOLO Người mẫu.

Mẹo

Các mô hình phát hiện YOLO11 là các mô hình YOLO11 mặc định, tức là yolo11n.pt và được đào tạo trước về COCO.

Mô hình

Các mô hình Detect được đào tạo trước của YOLO11 được hiển thị ở đây. Các mô hình Detect, Segment và Pose được đào tạo trước trên tập dữ liệu COCO , trong khi các mô hình Classify được đào tạo trước trên tập dữ liệu ImageNet .

Mô hình tải xuống tự động từ phiên bản mới nhất Ultralytics phát hành vào lần sử dụng đầu tiên.

Mẫu	kích thước ^{(điểm ảnh)}	bản đồ^Val 50-95	Tốc độ ^{CPU ONNX (Cô)}	Tốc độ ^{T4 TensorRT10 (bệnh đa xơ cứng)}	Params ^(M)	Thất bại ^(B)
YOLO11n	640	39.5	56,1 ± 0,8	1,5 ± 0,0	2.6	6.5
YOLO11s	640	47.0	90,0 ± 1,2	2,5 ± 0,0	9.4	21.5
YOLO11m	640	51.5	183,2 ± 2,0	4,7 ± 0,1	20.1	68.0
YOLO11l	640	53.4	238,6 ± 1,4	6,2 ± 0,1	25.3	86.9
YOLO11x	640	54.7	462,8 ± 6,7	11,3 ± 0,2	56.9	194.9

mAP^val Các giá trị dành cho thang đo đơn mô hình đơn trên COCO val2017 tập dữ liệu.
Sinh sản bằng yolo val detect data=coco.yaml device=0
Tốc độ tính trung bình trên hình ảnh COCO val bằng cách sử dụng một Amazon EC2 P4d ví dụ.
Sinh sản bằng yolo val detect data=coco.yaml batch=1 device=0|cpu

Xe lửa

Huấn luyện YOLO11n trên tập dữ liệu COCO8 trong 100 kỷ nguyên ở kích thước ảnh 640. Để biết danh sách đầy đủ các đối số khả dụng, hãy xem trang Cấu hình .

Ví dụ

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

Định dạng tập dữ liệu

YOLO định dạng tập dữ liệu phát hiện có thể được tìm thấy chi tiết trong Hướng dẫn tập dữ liệu. Để chuyển đổi tập dữ liệu hiện có của bạn từ các định dạng khác (như COCO, v.v.) sang YOLO , vui lòng sử dụng công cụ JSON2YOLO bằng cách Ultralytics.

Val

Xác thực mô hình YOLO11n đã được đào tạo sự chính xác trên tập dữ liệu COCO8. Không cần đối số vì model duy trì đào tạo data và các đối số làm thuộc tính mô hình.

Ví dụ

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list contains map50-95 of each category

yolo detect val model=yolo11n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

Dự đoán

Sử dụng mô hình YOLO11n đã được đào tạo để chạy dự đoán trên hình ảnh.

Ví dụ

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

Xem đầy đủ predict Chi tiết chế độ trong Dự đoán trang.

Xuất khẩu

Xuất mô hình YOLO11n sang một định dạng khác như ONNX , CoreML , vân vân.

Ví dụ

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

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

yolo export model=yolo11n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Các định dạng xuất YOLO11 khả dụng có trong bảng bên dưới. Bạn có thể xuất sang bất kỳ định dạng nào bằng cách sử dụng format lập luận, tức là format='onnx' hoặc format='engine'. Bạn có thể dự đoán hoặc xác thực trực tiếp trên các mô hình đã xuất, tức là yolo predict model=yolo11n.onnx. Ví dụ sử dụng được hiển thị cho mô hình của bạn sau khi xuất hoàn tất.

Định dạng	`format` Lý lẽ	Mẫu	Siêu dữ liệu	Lập luận
PyTorch	-	`yolo11n.pt`	✅	-
TorchScript	`torchscript`	`yolo11n.torchscript`	✅	`imgsz`, `optimize`, `batch`
ONNX	`onnx`	`yolo11n.onnx`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `opset`, `batch`
OpenVINO	`openvino`	`yolo11n_openvino_model/`	✅	`imgsz`, `half`, `int8`, `batch`
TensorRT	`engine`	`yolo11n.engine`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `workspace`, `int8`, `batch`
CoreML	`coreml`	`yolo11n.mlpackage`	✅	`imgsz`, `half`, `int8`, `nms`, `batch`
TF SavedModel	`saved_model`	`yolo11n_saved_model/`	✅	`imgsz`, `keras`, `int8`, `batch`
TF GraphDef	`pb`	`yolo11n.pb`	❌	`imgsz`, `batch`
TF Lite	`tflite`	`yolo11n.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF Cạnh TPU	`edgetpu`	`yolo11n_edgetpu.tflite`	✅	`imgsz`
TF.Js	`tfjs`	`yolo11n_web_model/`	✅	`imgsz`, `half`, `int8`, `batch`
PaddlePaddle	`paddle`	`yolo11n_paddle_model/`	✅	`imgsz`, `batch`
MNN	`mnn`	`yolo11n.mnn`	✅	`imgsz`, `batch`, `int8`, `half`
NCNN	`ncnn`	`yolo11n_ncnn_model/`	✅	`imgsz`, `half`, `batch`
IMX500	`imx`	`yolo11n_imx_model/`	✅	`imgsz`, `int8`

Xem đầy đủ export Chi tiết trong Xuất khẩu trang.

FAQ

Làm thế nào để đào tạo mô hình YOLO11 trên tập dữ liệu tùy chỉnh của tôi?

Việc đào tạo mô hình YOLO11 trên tập dữ liệu tùy chỉnh bao gồm một số bước sau:

Chuẩn bị tập dữ liệu: Đảm bảo tập dữ liệu của bạn nằm trong YOLO định dạng. Để được hướng dẫn, hãy tham khảo Hướng dẫn tập dữ liệu của chúng tôi.
Tải mô hình: Sử dụng Ultralytics YOLO để tải mô hình được đào tạo trước hoặc tạo mô hình mới từ tệp YAML.
Đào tạo mô hình: Thực hiện train Phương pháp trong Python hoặc yolo detect train lệnh trong CLI.

Ví dụ

PythonCLI

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model on your custom dataset
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)

yolo detect train data=my_custom_dataset.yaml model=yolo11n.pt epochs=100 imgsz=640

Để biết các tùy chọn cấu hình chi tiết, hãy truy cập trang Cấu hình .

Những mô hình được đào tạo trước nào có sẵn trong YOLO11?

Ultralytics YOLO11 cung cấp nhiều mô hình được đào tạo trước để phát hiện đối tượng, phân đoạn và ước tính tư thế. Các mô hình này được đào tạo trước trên tập dữ liệu COCO hoặc ImageNet cho các tác vụ phân loại. Sau đây là một số mô hình có sẵn:

Để biết danh sách chi tiết và chỉ số hiệu suất, hãy tham khảo phần Mô hình .

Làm thế nào tôi có thể xác nhận độ chính xác của đào tạo của tôi YOLO người mẫu?

Để xác thực độ chính xác của mô hình YOLO11 đã được đào tạo của bạn, bạn có thể sử dụng .val() Phương pháp trong Python hoặc yolo detect val lệnh trong CLI. Điều này sẽ cung cấp các số liệu như mAP50-95, mAP50, v.v.

Ví dụ

PythonCLI

from ultralytics import YOLO

# Load the model
model = YOLO("path/to/best.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # mAP50-95

yolo detect val model=path/to/best.pt

Để biết thêm chi tiết xác thực, hãy truy cập trang Val .

Tôi có thể xuất mô hình YOLO11 sang những định dạng nào?

Ultralytics YOLO11 cho phép xuất mô hình sang nhiều định dạng khác nhau như ONNX , TensorRT , CoreML và nhiều tính năng khác để đảm bảo khả năng tương thích trên nhiều nền tảng và thiết bị khác nhau.

Ví dụ

PythonCLI

from ultralytics import YOLO

# Load the model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format
model.export(format="onnx")

yolo export model=yolo11n.pt format=onnx

Kiểm tra danh sách đầy đủ các định dạng và hướng dẫn được hỗ trợ trên trang Xuất .

Tại sao tôi nên sử dụng Ultralytics YOLO11 để phát hiện vật thể?

Ultralytics YOLO11 được thiết kế để cung cấp hiệu suất tiên tiến nhất cho việc phát hiện đối tượng, phân đoạn và ước tính tư thế. Sau đây là một số lợi thế chính:

Mô hình được đào tạo trước: Sử dụng các mô hình được đào tạo trước trên các bộ dữ liệu phổ biến như COCO và ImageNet để phát triển nhanh hơn.
Độ chính xác cao: Đạt điểm mAP ấn tượng, đảm bảo phát hiện đối tượng đáng tin cậy.
Tốc độ: Được tối ưu hóa để suy luận theo thời gian thực, lý tưởng cho các ứng dụng yêu cầu xử lý nhanh chóng.
Tính linh hoạt: Xuất mô hình sang nhiều định dạng khác nhau như ONNX và TensorRT để triển khai trên nhiều nền tảng.

Khám phá Blog của chúng tôi để biết các trường hợp sử dụng và câu chuyện thành công thể hiện YOLO11 đang hoạt động.

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