Come utilizzare la sezione di riferimento della documentazione di Ultralytics YOLO

Al giorno d'oggi, l'intelligenza artificiale (IA) è più accessibile che mai, rendendo possibile per chiunque iniziare a utilizzare rapidamente diversi modelli di IA per svariati compiti all'avanguardia.

Ad esempio, la computer vision è un ramo dell'IA che consente ai computer di interpretare e comprendere le informazioni visive da immagini e video, e modelli di computer vision come Ultralytics YOLO11 sono facili da usare fin da subito.

YOLO11 supporta attività come il rilevamento di oggetti, la segmentazione di istanze e la classificazione di immagini e può essere utilizzato per applicazioni come la guida autonoma, il monitoraggio della sicurezza e l'analisi della vendita al dettaglio.

Fig 1. YOLO11 può essere utilizzato per rilevare vari oggetti.

Nello specifico, il pacchetto Python di Ultralytics fornisce strumenti intuitivi per addestrare, personalizzare e distribuire rapidamente questi modelli di IA, consentendo agli utenti di ogni livello di competenza di creare facilmente applicazioni avanzate di computer vision.

Tuttavia, se ti interessa approfondire come funziona tutto o creare le tue personalizzazioni, la sezione di riferimento della documentazione di Ultralytics è un'ottima risorsa. Copre il funzionamento interno del pacchetto Python di Ultralytics, incluso come vengono gestiti i tuoi dati, il processo di addestramento del modello e come puoi visualizzare le previsioni.

In questo articolo, esamineremo più da vicino la sezione di riferimento della documentazione di Ultralytics e come utilizzarla quando lavori a progetti di computer vision. Cominciamo!

Link to this sectionUno sguardo più approfondito al lavoro con i modelli Ultralytics YOLO#

Lavorare con il pacchetto Python di Ultralytics è semplice e diretto. Puoi addestrare modelli YOLO o rilevare oggetti nelle immagini usando solo poche righe di codice.

Tuttavia, una volta acquisita familiarità con i modelli di computer vision, la sezione di riferimento della documentazione di Ultralytics ti aiuta ad approfondire come funziona il codice e quali funzioni supporta il pacchetto. Include anche spiegazioni facili da seguire, opzioni configurabili e link al codice pertinente disponibile nel repository GitHub di Ultralytics.

Spiega come è strutturato il pacchetto Python di Ultralytics e copre componenti chiave come la configurazione del modello, il caricamento dei dati, il processo di addestramento e come vengono effettuate e restituite le previsioni.

Tutto è organizzato in categorie chiare, quindi è facile trovare ciò che cerchi. Ad esempio, se stai addestrando un modello con il tuo set di dati, puoi andare nella parte della sezione di riferimento dedicata ai dati, e avrai un'idea migliore di come i tuoi dati verranno utilizzati per l'addestramento del modello.

Link to this sectionCome iniziare con la sezione di riferimento#

Se vai alla sezione di riferimento nella documentazione di Ultralytics YOLO, troverai un menu sul lato sinistro della pagina con diverse categorie di riferimento. Ogni categoria rappresenta una parte specifica della base di codice di Ultralytics, come modelli, gestione dei dati o funzioni di addestramento.

Cliccando su una categoria accederai a una pagina che ti fornirà maggiori dettagli.

Fig 2. Sulla sinistra, troverai un menu di diverse categorie di riferimento.

Allo stesso modo, sul lato destro della pagina, troverai l'indice che suddivide ogni pagina di riferimento in componenti chiave come funzioni (blocchi di codice riutilizzabili), classi (modelli per la creazione di oggetti) e metodi (funzioni definite all'interno delle classi). Questo rende facile passare direttamente a ciò che stai cercando.

Fig 3. Sulla destra, troverai un indice per la specifica pagina di riferimento che stai visualizzando.

Link to this sectionLa struttura del repository GitHub di Ultralytics#

Il repository GitHub di Ultralytics è organizzato in sottodirectory o sottopacchetti basati su diverse parti del pacchetto Ultralytics, come modelli, addestramento e dati. La sezione di riferimento nella documentazione segue questa stessa struttura, il che rende più facile capire come si incastra il tutto.

Ecco alcune delle principali sottodirectory o categorie che vedrai sia nel repository GitHub di Ultralytics che nella sezione di riferimento della documentazione di Ultralytics:

• Models: Questa sezione si concentra su diversi modelli e sulle loro modalità, come effettuare previsioni, convalidare le prestazioni ed esportare modelli addestrati.
• Engine: Contiene la logica di base per addestrare, convalidare, prevedere, esportare e valutare i modelli.
• Data: Gestisce il modo in cui i set di dati vengono caricati, elaborati e aumentati. Questo include funzioni per creare dataloader (strumenti che forniscono dati al modello in batch), applicare trasformazioni (modifiche apportate alle immagini come il ridimensionamento o il ribaltamento per aiutare il modello ad apprendere meglio) e preparare i dati (organizzare e formattare le immagini e le etichette) per l'addestramento.
• Utils: Questa sezione fornisce una vasta gamma di funzioni di supporto utilizzate in tutta la base di codice, come strumenti di visualizzazione, gestione dei file e calcoli di metriche.
• HUB: Si collega a Ultralytics HUB, una piattaforma di computer vision no-code, abilitando funzionalità cloud come l'accesso, il caricamento di modelli e la gestione di set di dati tramite un'API.
• Trackers: Implementa la logica di tracciamento degli oggetti per applicazioni che coinvolgono video o sequenze di immagini fotogramma per fotogramma.

Ognuna di queste sottodirectory nel repository GitHub ha una sezione corrispondente nella documentazione. Questa struttura è intenzionalmente rispecchiata, rendendo più facile passare dalla lettura della documentazione all'esplorazione del codice sorgente.

Infatti, in molte delle pagine di riferimento, viene visualizzato anche il codice sorgente vero e proprio, così puoi vedere esattamente come sono implementate le funzioni e le classi senza lasciare la documentazione.

Fig 4. Il codice sorgente è incluso anche nelle pagine di riferimento.

Link to this sectionComprendere i componenti modelli, engine e data#

Ora che abbiamo visto come è organizzata la sezione di riferimento, diamo un'occhiata più da vicino a tre parti chiave del pacchetto Ultralytics: modelli, engine e data.

La sottodirectory dei modelli contiene il codice che definisce come funziona ogni tipo di modello. È organizzata sia per tipo di modello (come YOLO, FastSAM o RT-DETR) che per attività come rilevamento, segmentazione o classificazione. All'interno di ciascuna di queste, troverai file o moduli che gestiscono azioni specifiche: ad esempio, come il modello effettua previsioni, come viene addestrato o come vengono valutate le sue prestazioni.

Nel frattempo, la sottodirectory engine lavora dietro le quinte per gestire l'intero processo. Mentre la sottodirectory dei modelli si concentra su ciò che ogni modello deve fare, la sottodirectory engine si concentra su come eseguire effettivamente tali attività in modo coerente ed efficiente.

Inoltre, la sottodirectory data è responsabile del caricamento e della preparazione dei set di dati. Questa parte della base di codice assicura che i tuoi dati di addestramento siano puliti, strutturati e vari, aiutando il modello ad apprendere meglio e a generalizzare in modo più efficace.

Questa chiara separazione rende il codice più facile da mantenere e offre agli utenti la flessibilità di personalizzarlo.

Link to this sectionEsempi di utilizzo della sezione di riferimento#

Potresti chiederti, perché è importante comprendere le diverse parti della base di codice di Ultralytics? Se sai quale parte del codice gestisce cosa, diventa molto più facile trovare le informazioni di cui hai bisogno, apportare modifiche o risolvere problemi.

Ecco alcuni esempi di come puoi utilizzare la sezione di riferimento della documentazione:

• Se ti stai chiedendo: "Come fa il modello a fare previsioni?", puoi andare alla categoria Models nella sezione di riferimento, selezionare un tipo di modello (come YOLO), scegliere un'attività (come detect) e quindi aprire la pagina Predict per i dettagli.
• Se vuoi sapere come vengono applicate le data augmentation, puoi esplorare la pagina Augment nella categoria Data. Elenca le tecniche di aumento integrate utilizzate per migliorare le prestazioni del modello e la varietà nei dati di addestramento.

Link to this sectionEsplorare i risultati attraverso la sezione di riferimento#

La sezione di riferimento è utile anche quando stai cercando di comprendere gli output restituiti dal tuo modello. Dopo che un modello come YOLO11 viene utilizzato per eseguire un'inferenza su un'immagine, restituisce una serie di risultati che descrivono ciò che è stato rilevato.

Ad esempio, in un feed di una telecamera, potrebbe rilevare una persona ed evidenziare la sua posizione utilizzando un bounding box, insieme a un punteggio di confidenza: un valore compreso tra 0 e 1 che indica quanto il modello è sicuro riguardo al rilevamento.

Se stai cercando di capire come utilizzare quell'output nel tuo progetto, la sezione di riferimento può guidarti. Include una pagina per il modulo Results che suddivide ciò che è incluso e come accedervi nel tuo codice. Ci sono dettagli su come visualizzare i box di rilevamento, controllare i punteggi di confidenza, mostrare i risultati o salvarli.

Fig 5. Un esempio di come i risultati restituiti da YOLO11 possono essere visualizzati.

Link to this sectionPunti chiave#

La documentazione di Ultralytics ti aiuta a capire come utilizzare i modelli YOLO in modo efficace. Spiega processi chiave come l'addestramento dei modelli, la preparazione dei dati e il lavoro con i risultati. Ogni pagina contiene spiegazioni chiare ed esempi di frammenti di codice per aiutarti a iniziare rapidamente.

Se sei curioso di sapere cosa succede dietro le quinte, la sezione di riferimento della documentazione lo analizza anche passo dopo passo. Mostra come è strutturato il codice, cosa fa ogni parte e come funziona tutto insieme. Questo rende più facile imparare, personalizzare e creare con sicurezza i tuoi progetti di computer vision.

Entra a far parte della nostra community attiva ed esplora il repository GitHub per saperne di più su come costruire con l'IA. Sei pronto a lanciare le tue idee di computer vision? Visita le nostre opzioni di licenza per iniziare. Scopri come la vision AI nell'automotive e l'IA nel settore sanitario stanno avendo un impatto visitando le nostre pagine dedicate alle soluzioni.