Modalità di Ultralytics YOLO26

Introduzione

Ultralytics YOLO26 non è solo un altro modello di object detection; è un framework versatile progettato per coprire l'intero ciclo di vita dei modelli di machine learning: dall'acquisizione dei dati e l'addestramento del modello alla convalida, al deployment e al tracking nel mondo reale. Ogni modalità serve a uno scopo specifico ed è progettata per offrirti la flessibilità e l'efficienza richieste per diverse attività e casi d'uso.

Panoramica delle modalità

Comprendere le diverse modalità supportate da Ultralytics YOLO26 è fondamentale per ottenere il massimo dai tuoi modelli:

• Modalità Train: Esegui il fine-tuning del tuo modello su dataset personalizzati o precaricati.
• Modalità Val: Un checkpoint post-addestramento per convalidare le prestazioni del modello.
• Modalità Predict: Scatena la potenza predittiva del tuo modello su dati del mondo reale.
• Modalità Export: Rendi il tuo model deployment pronto in vari formati.
• Modalità Track: Estendi il tuo modello di object detection ad applicazioni di tracking in tempo reale.
• Modalità Benchmark: Analizza la velocità e l'accuratezza del tuo modello in diversi ambienti di deployment.

Questa guida completa mira a fornirti una panoramica e approfondimenti pratici su ciascuna modalità, aiutandoti a sfruttare appieno il potenziale di YOLO26.

Train

La modalità Train viene utilizzata per addestrare un modello YOLO26 su un dataset personalizzato. In questa modalità, il modello viene addestrato utilizzando il dataset e gli iperparametri specificati. Il processo di addestramento prevede l'ottimizzazione dei parametri del modello in modo che possa prevedere accuratamente le classi e le posizioni degli oggetti in un'immagine. L'addestramento è essenziale per creare modelli in grado di riconoscere oggetti specifici rilevanti per la tua applicazione.

Esempi di Train

Val

La modalità Val viene utilizzata per convalidare un modello YOLO26 dopo che è stato addestrato. In questa modalità, il modello viene valutato su un set di convalida per misurarne l'accuratezza e le prestazioni di generalizzazione. La convalida aiuta a identificare potenziali problemi come l'overfitting e fornisce metriche come la mean Average Precision (mAP) per quantificare le prestazioni del modello. Questa modalità è fondamentale per regolare gli iperparametri e migliorare l'efficacia complessiva del modello.

Esempi di Val

Predict

La modalità Predict viene utilizzata per effettuare previsioni utilizzando un modello YOLO26 addestrato su nuove immagini o video. In questa modalità, il modello viene caricato da un file di checkpoint e l'utente può fornire immagini o video per eseguire l'inferenza. Il modello identifica e localizza gli oggetti nei media di input, rendendolo pronto per le applicazioni nel mondo reale. La modalità Predict è il gateway per applicare il tuo modello addestrato alla risoluzione di problemi pratici.

Esempi di Predict

Export

La modalità Export viene utilizzata per convertire un modello YOLO26 in formati adatti al deployment su diverse piattaforme e dispositivi. Questa modalità trasforma il tuo modello PyTorch in formati ottimizzati come ONNX, TensorRT o CoreML, consentendo il deployment in ambienti di produzione. L'esportazione è essenziale per integrare il tuo modello con varie applicazioni software o dispositivi hardware, portando spesso a significativi miglioramenti delle prestazioni.

Esempi di Export

Track

La modalità Track estende le capacità di object detection di YOLO26 per tracciare oggetti attraverso frame video o live stream. Questa modalità è particolarmente preziosa per le applicazioni che richiedono l'identificazione persistente degli oggetti, come sistemi di sorveglianza o auto a guida autonoma. La modalità Track implementa algoritmi sofisticati come ByteTrack per mantenere l'identità dell'oggetto tra i frame, anche quando gli oggetti scompaiono temporaneamente dalla vista.

Esempi di Track

Benchmark

La modalità Benchmark profila la velocità e l'accuratezza di vari formati di esportazione per YOLO26. Questa modalità fornisce metriche complete sulle dimensioni del modello, sull'accuratezza (mAP50-95 per le attività di rilevamento o accuracy_top5 per la classificazione) e sul tempo di inferenza attraverso diversi formati come ONNX, OpenVINO e TensorRT. Il benchmarking ti aiuta a selezionare il formato di esportazione ottimale in base ai tuoi requisiti specifici di velocità e accuratezza nel tuo ambiente di deployment.

Esempi di Benchmark

FAQ

Come addestrare un modello personalizzato di object detection con Ultralytics YOLO26?

L'addestramento di un modello di object detection personalizzato con Ultralytics YOLO26 prevede l'utilizzo della modalità train. Hai bisogno di un dataset formattato in YOLO format, contenente immagini e file di annotazione corrispondenti. Utilizza il seguente comando per avviare il processo di addestramento:

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

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

Per istruzioni più dettagliate, puoi fare riferimento alla Ultralytics Train Guide.

Quali metriche utilizza Ultralytics YOLO26 per convalidare le prestazioni del modello?

Ultralytics YOLO26 utilizza varie metriche durante il processo di convalida per valutare le prestazioni del modello. Queste includono:

• mAP (mean Average Precision): Valuta l'accuratezza dell'object detection.
• IOU (Intersection over Union): Misura la sovrapposizione tra i bounding box previsti e quelli di ground truth.
• Precision e Recall: La precision misura il rapporto tra i rilevamenti positivi veri e i positivi totali rilevati, mentre il recall misura il rapporto tra i rilevamenti positivi veri e i positivi effettivi totali.

Puoi eseguire il comando seguente per avviare la convalida:

from ultralytics import YOLO

# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")

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

Consulta la Validation Guide per ulteriori dettagli.

Come posso esportare il mio modello YOLO26 per il deployment?

Ultralytics YOLO26 offre una funzionalità di esportazione per convertire il tuo modello addestrato in vari formati di deployment come ONNX, TensorRT, CoreML e altri. Usa il seguente esempio per esportare il tuo modello:

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo26n.pt")

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

I passaggi dettagliati per ogni formato di esportazione sono disponibili nella Export Guide.

Qual è lo scopo della modalità benchmark in Ultralytics YOLO26?

La modalità Benchmark in Ultralytics YOLO26 viene utilizzata per analizzare la velocità e l'accuratezza di vari formati di esportazione come ONNX, TensorRT e OpenVINO. Fornisce metriche come la dimensione del modello, mAP50-95 per l'object detection e il tempo di inferenza su diversi setup hardware, aiutandoti a scegliere il formato più adatto alle tue esigenze di deployment.

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="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

Per ulteriori dettagli, consulta la Benchmark Guide.

Come posso eseguire il tracking degli oggetti in tempo reale utilizzando Ultralytics YOLO26?

Il tracking degli oggetti in tempo reale può essere ottenuto utilizzando la modalità track in Ultralytics YOLO26. Questa modalità estende le capacità di object detection per tracciare oggetti attraverso frame video o feed live. Usa il seguente esempio per abilitare il tracking:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

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

Per istruzioni approfondite, visita la Track Guide.