Bỏ để qua phần nội dung

Python Sử dụng

Chào mừng đến với YOLO11 Python Tài liệu hướng dẫn sử dụng! Hướng dẫn này được thiết kế để giúp bạn tích hợp YOLO11 một cách liền mạch vào Python các dự án phát hiện đối tượng , phân đoạn và phân loại. Tại đây, bạn sẽ học cách tải và sử dụng các mô hình được đào tạo trước, đào tạo các mô hình mới và thực hiện dự đoán trên hình ảnh. Dễ sử dụng Python giao diện là một nguồn tài nguyên có giá trị cho bất kỳ ai muốn kết hợp YOLO11 vào Python dự án, cho phép bạn nhanh chóng triển khai các khả năng phát hiện đối tượng nâng cao. Hãy bắt đầu nào!



Xem: Làm chủ Ultralytics YOLO11: Python

Ví dụ: người dùng có thể tải một mô hình, đào tạo nó, đánh giá hiệu suất của nó trên một bộ xác thực và thậm chí xuất nó sang ONNX định dạng chỉ với một vài dòng mã.

Python

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")

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

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

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

Xe lửa

Chế độ đào tạo được sử dụng để đào tạo mô hình YOLO11 trên một 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 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.

Xe lửa

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # pass any model type
results = model.train(epochs=5)

from ultralytics import YOLO

model = YOLO("yolo11n.yaml")
results = model.train(data="coco8.yaml", epochs=5)

model = YOLO("last.pt")
results = model.train(resume=True)

Ví dụ về tàu hỏa

Val

Chế độ Val được sử dụng để xác thực mô hình YOLO11 sau khi mô hình 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 mô hình. Chế độ này có thể được sử dụng để điều chỉnh các siêu tham số của mô hình nhằm cải thiện hiệu suất của mô hình.

Val

from ultralytics import YOLO

# Load a YOLO11 model
model = YOLO("yolo11n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate on training data
model.val()

from ultralytics import YOLO

# Load a YOLO11 model
model = YOLO("yolo11n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate on separate data
model.val(data="path/to/separate/data.yaml")

Ví dụ về Val

Dự đoán

Chế độ dự đoán được sử dụng để đưa ra dự đoán bằng mô hình YOLO11 đã được đào tạo 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 dự đoán các lớp và vị trí của các đối tượng trong hình ảnh hoặc video đầu vào.

Dự đoán

import cv2
from PIL import Image

from ultralytics import YOLO

model = YOLO("model.pt")
# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
results = model.predict(source="0")
results = model.predict(source="folder", show=True)  # Display preds. Accepts all YOLO predict arguments

# from PIL
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True)  # save plotted images

# from ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True)  # save predictions as labels

# from list of PIL/ndarray
results = model.predict(source=[im1, im2])

# results would be a list of Results object including all the predictions by default
# but be careful as it could occupy a lot memory when there're many images,
# especially the task is segmentation.
# 1. return as a list
results = model.predict(source="folder")

# results would be a generator which is more friendly to memory by setting stream=True
# 2. return as a generator
results = model.predict(source=0, stream=True)

for result in results:
    # Detection
    result.boxes.xyxy  # box with xyxy format, (N, 4)
    result.boxes.xywh  # box with xywh format, (N, 4)
    result.boxes.xyxyn  # box with xyxy format but normalized, (N, 4)
    result.boxes.xywhn  # box with xywh format but normalized, (N, 4)
    result.boxes.conf  # confidence score, (N, 1)
    result.boxes.cls  # cls, (N, 1)

    # Segmentation
    result.masks.data  # masks, (N, H, W)
    result.masks.xy  # x,y segments (pixels), List[segment] * N
    result.masks.xyn  # x,y segments (normalized), List[segment] * N

    # Classification
    result.probs  # cls prob, (num_class, )

# Each result is composed of torch.Tensor by default,
# in which you can easily use following functionality:
result = result.cuda()
result = result.cpu()
result = result.to("cpu")
result = result.numpy()

Dự đoán ví dụ

Xuất khẩu

Chế độ xuất được sử dụng để xuất mô hình YOLO11 sang định dạng có thể sử dụng để triển khai. Ở chế độ này, mô hình được chuyển đổi sang định dạng có thể sử dụng cho các ứng dụng phần mềm hoặc thiết bị phần cứng khác. Chế độ này hữu ích khi triển khai mô hình vào môi trường sản xuất.

Xuất khẩu

Xuất mô hình YOLO11n chính thức sang ONNX với kích thước lô động và kích thước hình ảnh.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="onnx", dynamic=True)

Xuất mô hình YOLO11n chính thức sang TensorRT TRÊN device=0 để tăng tốc trên CUDA Thiết bị.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="onnx", device=0)

Ví dụ xuất khẩu

Rãnh

Chế độ theo dõi được sử dụng để theo dõi các đối tượng theo thời gian thực bằng mô hình YOLO11. 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 hữu ích cho các ứng dụng như hệ thống giám sát hoặc xe tự lái.

Rãnh

from ultralytics import YOLO

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

# Track with the model
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")

Ví dụ theo dõi

Chuẩn

Chế độ chuẩn được sử dụng để lập hồ sơ tốc độ và độ chính xác của nhiều định dạng xuất khác nhau cho YOLO11. Các chuẩn cung cấp thông tin về kích thước của định dạng xuất, mAP50-95 số liệu (để phát hiện và phân đoạn 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.

Chuẩn

So sánh mô hình YOLO11n chính thức trên mọi định dạng xuất.

from ultralytics.utils.benchmarks import benchmark

# Benchmark
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

Ví dụ điểm chuẩn

Sử dụng giảng viên

YOLO lớp mô hình là một wrapper cấp cao trên các lớp Trainer. Mỗi YOLO Nhiệm vụ có huấn luyện viên riêng kế thừa từ BaseTrainer.

Ví dụ về máy bay huấn luyện phát hiện

from ultralytics.models.yolo import DetectionPredictor, DetectionTrainer, DetectionValidator

# trainer
trainer = DetectionTrainer(overrides={})
trainer.train()
trained_model = trainer.best

# Validator
val = DetectionValidator(args=...)
val(model=trained_model)

# predictor
pred = DetectionPredictor(overrides={})
pred(source=SOURCE, model=trained_model)

# resume from last weight
overrides["resume"] = trainer.last
trainer = detect.DetectionTrainer(overrides=overrides)

Bạn có thể dễ dàng tùy chỉnh Giảng viên để hỗ trợ các tác vụ tùy chỉnh hoặc khám phá các ý tưởng R &D. Tìm hiểu thêm về Tùy chỉnh Trainers, Validators và Predictors để phù hợp với nhu cầu dự án của bạn trong Phần Tùy chỉnh.

Hướng dẫn tùy chỉnh

FAQ

Làm thế nào tôi có thể tích hợp YOLO11 vào Python dự án phát hiện vật thể?

Tích hợp Ultralytics YOLO11 vào của bạn Python projects rất đơn giản. Bạn có thể tải một mô hình được đào tạo trước hoặc đào tạo một mô hình mới từ đầu. Sau đây là cách bắt đầu:

from ultralytics import YOLO

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

# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
for result in results:
    result.show()

Xem các ví dụ chi tiết hơn trong phần Chế độ dự đoán của chúng tôi.

YOLO11 có những chế độ nào?

Ultralytics YOLO11 cung cấp nhiều chế độ khác nhau để phục vụ cho các quy trình học máy khác nhau. Bao gồm:

  • Đào tạo: Đào tạo mô hình bằng bộ dữ liệu tùy chỉnh.
  • Val: Xác thực hiệu suất mô hình trên một nhóm xác thực.
  • Dự đoán: Đưa ra dự đoán về hình ảnh hoặc luồng video mới.
  • Xuất: Xuất mô hình sang các định dạng khác nhau như ONNX, TensorRT.
  • Theo dõi: Theo dõi đối tượng thời gian thực trong luồng video.
  • Điểm chuẩn: Hiệu suất mô hình điểm chuẩn trên các cấu hình khác nhau.

Mỗi chế độ được thiết kế để cung cấp các chức năng toàn diện cho các giai đoạn phát triển và triển khai mô hình khác nhau.

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

Để đào tạo mô hình YOLO11 tùy chỉnh, bạn cần chỉ định tập dữ liệu và các siêu tham số khác. Sau đây là một ví dụ nhanh:

from ultralytics import YOLO

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

# Train the model with custom dataset
model.train(data="path/to/your/dataset.yaml", epochs=10)

Để biết thêm chi tiết về đào tạo và siêu liên kết để sử dụng ví dụ, hãy truy cập trang Chế độ tàu của chúng tôi.

Làm thế nào để xuất mô hình YOLO11 để triển khai?

Việc xuất các mô hình YOLO11 theo định dạng phù hợp để triển khai rất đơn giản với export chức năng. Ví dụ: bạn có thể xuất mô hình sang ONNX định dạng:

from ultralytics import YOLO

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

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

Để biết các tùy chọn xuất khác nhau, hãy tham khảo tài liệu Chế độ xuất .

Tôi có thể xác thực mô hình YOLO11 của mình trên các tập dữ liệu khác nhau không?

Có, việc xác thực các mô hình YOLO11 trên các tập dữ liệu khác nhau là có thể. Sau khi đào tạo, bạn có thể sử dụng chế độ xác thực để đánh giá hiệu suất:

from ultralytics import YOLO

# Load a YOLO11 model
model = YOLO("yolo11n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate the model on a different dataset
model.val(data="path/to/separate/data.yaml")

Kiểm tra trang Chế độ Val để biết các ví dụ chi tiết và cách sử dụng.

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 1 tháng
RizwanMunawar JK4E UltralyticsTrợ lý Glenn-Jocher MatthewNoyce IvorZhu331 AyushExel Cười-q

Ý kiến