Umfassende Tutorials für Ultralytics YOLO

Willkommen bei den Ultralytics YOLO Guides. Unsere umfassenden Tutorials behandeln verschiedene Aspekte des YOLO-Objekterkennungs-Modells, von Training und Vorhersage bis hin zur Bereitstellung. Aufbauend auf PyTorch zeichnet sich YOLO durch seine außergewöhnliche Geschwindigkeit und Genauigkeit bei Echtzeit-Objekterkennungsaufgaben aus.

Ob Sie Anfänger oder Experte im Deep Learning sind, unsere Tutorials bieten wertvolle Einblicke in die Implementierung und Optimierung von YOLO für Ihre Computer Vision-Projekte.

Ansehen: Ultralytics YOLO11 – Übersicht über die Anleitungen

Anleitungen

Hier ist eine Zusammenstellung von detaillierten Anleitungen, die Ihnen helfen, verschiedene Aspekte von Ultralytics YOLO zu meistern.

• Ein Leitfaden zum Modelltest: Ein umfassender Leitfaden zum Testen Ihrer Computer-Vision-Modelle in realistischen Umgebungen. Erfahren Sie, wie Sie Genauigkeit, Zuverlässigkeit und Leistung im Einklang mit den Projektzielen überprüfen können.
• AzureML-Schnellstart: Starten Sie mit Ultralytics YOLO-Modellen auf der Azure Machine Learning-Plattform von Microsoft. Erfahren Sie, wie Sie Ihre detect-Projekte in der Cloud trainieren, bereitstellen und skalieren können.
• Best Practices für die Modellbereitstellung: Erfahren Sie Tipps und Best Practices für die effiziente Bereitstellung von Modellen in Computer-Vision-Projekten, mit einem Fokus auf Optimierung, Fehlerbehebung und Sicherheit.
• Conda-Schnellstart: Schritt-für-Schritt-Anleitung zur Einrichtung einer Conda-Umgebung für Ultralytics. Erfahren Sie, wie Sie das Ultralytics-Paket effizient mit Conda installieren und verwenden können.
• Datenerfassung und -annotation: Entdecken Sie die Tools, Techniken und Best Practices für die Erfassung und Annotation von Daten, um hochwertige Eingaben für Ihre Computer-Vision-Modelle zu erstellen.
• DeepStream auf NVIDIA Jetson: Schnellstartanleitung zur Bereitstellung von YOLO-Modellen auf NVIDIA Jetson-Geräten mittels DeepStream und TensorRT.
• Ziele eines Computer-Vision-Projekts definieren: Erfahren Sie, wie Sie klare und messbare Ziele für Ihr Computer-Vision-Projekt effektiv definieren. Lernen Sie die Bedeutung einer gut definierten Problemstellung kennen und wie diese einen Fahrplan für Ihr Projekt erstellt.
• Docker-Schnellstart: Umfassende Anleitung zur Einrichtung und Nutzung von Ultralytics YOLO-Modellen mit Docker. Erfahren Sie, wie Sie Docker installieren, die GPU-Unterstützung verwalten und YOLO-Modelle in isolierten Containern für eine konsistente Entwicklung und Bereitstellung ausführen.
• Edge TPU on Raspberry Pi: Google Edge TPU beschleunigt die YOLO-Inferenz auf Raspberry Pi.
• Hyperparameter-Tuning: Entdecken Sie, wie Sie Ihre YOLO-Modelle durch Feinabstimmung der Hyperparameter mithilfe der Tuner-Klasse und genetischer Evolutionsalgorithmen optimieren können.
• Einblicke in Modellevaluierung und Feinabstimmung: Gewinnen Sie Einblicke in die Strategien und Best Practices zur Evaluierung und Feinabstimmung Ihrer Computer-Vision-Modelle. Erfahren Sie mehr über den iterativen Prozess der Modellverfeinerung, um optimale Ergebnisse zu erzielen.
• Segmentierungsobjekte isolieren: Schritt-für-Schritt-Anleitung und Erklärung, wie Objekte aus Bildern mittels Ultralytics Segmentation extrahiert und/oder isoliert werden können.
• K-Fold-Kreuzvalidierung: Erfahren Sie, wie Sie die Modellgeneralisation mithilfe der K-Fold-Kreuzvalidierungstechnik verbessern können.
• Wartung Ihres Computer-Vision-Modells: Verstehen Sie die wichtigsten Praktiken zur Überwachung, Wartung und Dokumentation von Computer-Vision-Modellen, um Genauigkeit zu gewährleisten, Anomalien zu erkennen und Daten-Drift zu mindern.
• Optionen zur Modellbereitstellung: Überblick über YOLO Modellbereitstellungsformate wie ONNX, OpenVINO und TensorRT mit Vor- und Nachteilen für jede Option, um Ihre Bereitstellungsstrategie zu informieren.
• Leitfaden zur yaml-Modellkonfiguration: Ein umfassender Einblick in die Modellarchitekturdefinitionen von Ultralytics. Erkunden Sie das yaml-Format, verstehen Sie das Modulauflösungssystem und lernen Sie, wie Sie benutzerdefinierte Module nahtlos integrieren.
• NVIDIA Jetson: Schnellstart-Anleitung zur Bereitstellung von YOLO-Modellen auf NVIDIA Jetson Geräten.
• OpenVINO Latenz- vs. Durchsatzmodi: Lernen Sie Optimierungstechniken für Latenz und Durchsatz, um die Spitzenleistung der YOLO-Inferenz zu erreichen.
• Vorverarbeitung annotierter Daten: Erfahren Sie mehr über die Vorverarbeitung und Augmentierung von Bilddaten in Computer-Vision-Projekten mit YOLO11, einschließlich Normalisierung, Dataset-Augmentierung, Aufteilung und explorativer Datenanalyse (EDA).
• Raspberry Pi: Schnellstart-Tutorial zum Ausführen von YOLO-Modellen auf der neuesten Raspberry Pi Hardware.
• ROS Schnellstart: Lernen Sie, wie Sie YOLO mit dem Robot Operating System (ROS) für die Echtzeit-Objekterkennung in Robotikanwendungen, einschließlich Punktwolken und Tiefenbildern, integrieren.
• SAHI Gekachelte Inferenz: Umfassender Leitfaden zur Nutzung der Sliced-Inferenz-Fähigkeiten von SAHI mit YOLO11 für die Objekterkennung in hochauflösenden Bildern.
• Schritte eines Computer-Vision-Projekts: Erfahren Sie mehr über die wichtigsten Schritte eines Computer-Vision-Projekts, einschließlich Zieldefinition, Modellauswahl, Datenvorbereitung und Ergebnisauswertung.
• Tipps für das Modelltraining: Entdecken Sie Tipps zur Optimierung von Batch-Größen, zur Verwendung von Mixed Precision, zum Anwenden vortrainierter Gewichte und mehr, um das Training Ihres Computer-Vision-Modells zu erleichtern.
• Triton Inference Server Integration: Tauchen Sie ein in die Integration von Ultralytics YOLO11 mit NVIDIAs Triton Inference Server für skalierbare und effiziente Deep-Learning-Inferenz-Bereitstellungen.
• Vertex AI Bereitstellung mit Docker: Optimierter Leitfaden zum Containerisieren von YOLO-Modellen mit Docker und deren Bereitstellung auf Google Cloud Vertex AI – umfasst Build, Push, Autoscaling und Monitoring.
• View Inference Images in a Terminal: Verwenden Sie das integrierte Terminal von VSCode, um Inferenz-Ergebnisse anzuzeigen, wenn Sie Remote Tunnel- oder SSH-Sitzungen verwenden.
• YOLO – Häufige Probleme ⭐ EMPFEHLENSWERT: Praktische Lösungen und Tipps zur Fehlerbehebung für die häufigsten Probleme bei der Arbeit mit Ultralytics YOLO-Modellen.
• YOLO Datenaugmentierung: Meistern Sie die gesamte Bandbreite der Datenaugmentierungstechniken in YOLO, von grundlegenden Transformationen bis hin zu fortgeschrittenen Strategien zur Verbesserung der Modellrobustheit und -leistung.
• YOLO Performance Metrics ⭐ ESSENTIELL: Verstehen Sie die Schlüsselmetriken wie mAP, IoU und F1 score, die zur Bewertung der Leistung Ihrer YOLO-Modelle verwendet werden. Enthält praktische Beispiele und Tipps, wie Sie die Erkennungsgenauigkeit und -geschwindigkeit verbessern können.
• YOLO Thread-Safe Inferenz: Richtlinien für die Durchführung der Inferenz mit YOLO-Modellen auf thread-sichere Weise. Erfahren Sie mehr über die Bedeutung der Thread-Sicherheit und Best Practices zur Vermeidung von Race Conditions und zur Gewährleistung konsistenter Vorhersagen.

Beitragen zu unseren Anleitungen

Wir freuen uns über Beiträge aus der Community! Wenn Sie einen bestimmten Aspekt von Ultralytics YOLO beherrschen, der noch nicht in unseren Anleitungen behandelt wird, ermutigen wir Sie, Ihr Fachwissen zu teilen. Das Schreiben einer Anleitung ist eine großartige Möglichkeit, der Community etwas zurückzugeben und uns zu helfen, unsere Dokumentation umfassender und benutzerfreundlicher zu gestalten.

Um zu beginnen, lesen Sie bitte unseren Contributing Guide für Richtlinien zum Öffnen eines Pull Requests (PR). Wir freuen uns auf Ihre Beiträge.

FAQ

Wie trainiere ich ein benutzerdefiniertes Objekterkennungsmodell mit Ultralytics YOLO?

Das Trainieren eines benutzerdefinierten Objekterkennungsmodells mit Ultralytics YOLO ist unkompliziert. Beginnen Sie mit der Vorbereitung Ihres Datensatzes im richtigen Format und der Installation des Ultralytics-Pakets. Verwenden Sie den folgenden Code, um das Training zu initiieren:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

yolo task=detect mode=train model=yolo11n.pt data=path/to/dataset.yaml epochs=50

Detaillierte Informationen zur Formatierung von Datensätzen und zu zusätzlichen Optionen finden Sie in unserem Tipps für das Modelltraining.

Welche Leistungsmetriken sollte ich verwenden, um mein YOLO-Modell zu bewerten?

Die Bewertung der Leistung Ihres YOLO-Modells ist entscheidend, um dessen Wirksamkeit zu verstehen. Zu den Schlüsselmetriken gehören Mean Average Precision (mAP), Intersection over Union (IoU) und der F1-Score. Diese Metriken helfen, die Genauigkeit und Präzision von Objekterkennungsaufgaben zu beurteilen. Mehr über diese Metriken und wie Sie Ihr Modell verbessern können, erfahren Sie in unserem Leitfaden zu YOLO-Leistungsmetriken.

Warum sollte ich Ultralytics HUB für meine Computer-Vision-Projekte verwenden?

Ultralytics HUB ist eine No-Code-Plattform, die die Verwaltung, das Training und die Bereitstellung von YOLO-Modellen vereinfacht. Sie unterstützt nahtlose Integration, Echtzeit-Tracking und Cloud-Training und ist somit ideal für Anfänger und Profis. Entdecken Sie mehr über seine Funktionen und wie es Ihren Workflow mit unserem Ultralytics HUB Schnellstart-Leitfaden optimieren kann.

Welche häufigen Probleme treten beim YOLO-Modelltraining auf und wie kann ich sie beheben?

Häufige Probleme beim YOLO-Modelltraining sind Datenformatierungsfehler, Inkompatibilitäten der Modellarchitektur und unzureichende Trainingsdaten. Um diese zu beheben, stellen Sie sicher, dass Ihr Datensatz korrekt formatiert ist, überprüfen Sie die Kompatibilität der Modellversionen und erweitern Sie Ihre Trainingsdaten. Eine umfassende Liste von Lösungen finden Sie in unserem YOLO Common Issues Leitfaden.

Wie kann ich mein YOLO-Modell für die Echtzeit-Objekterkennung auf Edge-Geräten bereitstellen?

Die Bereitstellung von YOLO-Modellen auf Edge-Geräten wie NVIDIA Jetson und Raspberry Pi erfordert die Konvertierung des Modells in ein kompatibles Format wie TensorRT oder TFLite. Befolgen Sie unsere Schritt-für-Schritt-Anleitungen für NVIDIA Jetson- und Raspberry Pi-Bereitstellungen, um mit der Echtzeit-Objekterkennung auf Edge-Hardware zu beginnen. Diese Anleitungen führen Sie durch die Installation, Konfiguration und Leistungsoptimierung.

📅 Vor 2 Jahren erstellt ✏️ Vor 20 Tagen aktualisiert

Kommentare