Come usare la sezione Reference della documentazione Ultralytics YOLO

Oggi l'intelligenza artificiale (AI) è più accessibile che mai e permette a chiunque di iniziare a esplorare rapidamente diversi modelli di AI per una serie di attività all'avanguardia.

Ad esempio, la computer vision è un ramo dell'AI che permette ai computer di interpretare e comprendere le informazioni visive contenute in immagini e video; inoltre, è facile iniziare a usare modelli di computer vision come Ultralytics YOLO11.

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

Fig. 1. Ultralytics YOLO11 può essere utilizzato per rilevare diversi oggetti.

Il pacchetto Python di Ultralytics offre strumenti intuitivi per addestrare, personalizzare e distribuire rapidamente questi modelli di AI, consentendo agli utenti di ogni livello di esperienza di creare facilmente applicazioni avanzate di computer vision.

Se però vuoi approfondire il funzionamento di ogni componente o creare personalizzazioni, la sezione Reference della documentazione di Ultralytics è un'ottima risorsa. Illustra il funzionamento interno del pacchetto Python di Ultralytics, compresa la gestione dei dati, il processo di addestramento dei modelli e la visualizzazione delle previsioni.

In questo articolo esamineremo più da vicino la sezione Reference della documentazione di Ultralytics e vedremo come usarla nei progetti di computer vision. Iniziamo!

Uno sguardo più approfondito all'utilizzo dei modelli Ultralytics YOLO#

Usare il pacchetto Python di Ultralytics è semplice e intuitivo. Puoi addestrare modelli YOLO o rilevare oggetti nelle immagini con poche righe di codice.

Una volta acquisita familiarità con i modelli di computer vision, la sezione Reference della documentazione di Ultralytics ti aiuta ad approfondire il funzionamento del codice e le funzioni supportate dal pacchetto. Include inoltre spiegazioni facili da seguire, opzioni configurabili e link al codice pertinente disponibile nel repository GitHub di Ultralytics.

Spiega la struttura del pacchetto Python di Ultralytics e illustra componenti essenziali come la configurazione dei modelli, il caricamento dei dati, il processo di addestramento e il modo in cui vengono generate 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 dataset, puoi consultare la parte della sezione Reference dedicata ai dati per capire meglio come verranno utilizzati nell'addestramento del modello.

Come iniziare a usare la sezione Reference#

Se apri la sezione Reference della documentazione di Ultralytics YOLO, sul lato sinistro della pagina troverai un menu con diverse categorie di riferimento. Ogni categoria corrisponde a una parte specifica del codebase di Ultralytics, come i modelli, la gestione dei dati o le funzioni di addestramento.

Facendo clic su una categoria, si apre una pagina con ulteriori dettagli.

Fig. 2. A sinistra trovi un menu con diverse categorie di riferimento.

Allo stesso modo, sul lato destro della pagina trovi l'indice, che suddivide ogni pagina di riferimento in componenti principali come funzioni (blocchi di codice riutilizzabili), classi (modelli per creare oggetti) e metodi (funzioni definite all'interno delle classi). In questo modo puoi passare direttamente a ciò che cerchi.

Fig. 3. A destra trovi l'indice della specifica pagina Reference che stai consultando.

La struttura del repository GitHub di Ultralytics#

Il repository GitHub di Ultralytics è organizzato in sottodirectory o sottopacchetti che corrispondono alle diverse parti del pacchetto Ultralytics, come modelli, addestramento e dati. La sezione Reference della documentazione segue la stessa struttura, facilitando la comprensione di come si integrano i vari componenti.

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

• Modelli: questa sezione è dedicata ai diversi modelli e alle relative modalità, come l'esecuzione di previsioni, la convalida delle prestazioni e l'esportazione dei modelli addestrati.
• Engine: contiene la logica fondamentale per addestrare, convalidare, eseguire previsioni, esportare e valutare i modelli.
• Dati: gestisce il caricamento, l'elaborazione e l'aumento dei dataset. Include funzioni per creare i dataloader (strumenti che forniscono i dati al modello in batch), applicare trasformazioni (modifiche alle immagini, come ridimensionamento o ribaltamento, per aiutare il modello ad apprendere meglio) e preparare i dati (organizzando e formattando immagini ed etichette) per l'addestramento.
• Utils: questa sezione offre un'ampia gamma di funzioni di supporto utilizzate in tutto il codebase, ad esempio strumenti di visualizzazione, gestione dei file e calcolo delle metriche.
• HUB: si collega a Ultralytics HUB, una piattaforma di computer vision senza codice, e abilita funzionalità cloud come l'accesso, il caricamento dei modelli e la gestione dei dataset tramite API.
• Tracker: implementa la logica di tracciamento degli oggetti per applicazioni basate su video o sequenze di immagini fotogramma per fotogramma.

Ognuna di queste sottodirectory nel repository GitHub ha una sezione corrispondente nella documentazione. La struttura è stata riprodotta intenzionalmente per agevolare il passaggio dalla lettura della documentazione all'esplorazione del codice sorgente.

In molte pagine Reference è mostrato anche il codice sorgente, così puoi vedere esattamente come sono implementate le funzioni e le classi senza uscire dalla documentazione.

Fig. 4. Il codice sorgente è incluso anche nelle pagine Reference.

Comprendere i componenti models, engine e data#

Ora che abbiamo visto come è organizzata la sezione Reference, esaminiamo più da vicino tre componenti fondamentali del pacchetto Ultralytics: models, engine e data.

La sottodirectory models contiene il codice che definisce il funzionamento di ciascun tipo di modello. È organizzata in base ai tipi di modello (come YOLO, FastSAM o RT-DETR) e alle attività, come rilevamento, segmentazione o classificazione. In ognuna di queste troverai file o moduli che gestiscono azioni specifiche, ad esempio il modo in cui il modello genera previsioni, viene addestrato o ne viene valutata la prestazione.

La sottodirectory engine, invece, opera dietro le quinte per gestire l'intero processo. Mentre models si concentra sulle operazioni che ciascun modello deve svolgere, engine definisce come eseguire tali attività in modo coerente ed efficiente.

La sottodirectory data si occupa inoltre di caricare e preparare i dataset. Questa parte del codebase garantisce che i dati di addestramento siano puliti, strutturati e diversificati, aiutando il modello ad apprendere meglio e a generalizzare in modo più efficace.

Questa netta separazione semplifica la manutenzione del codice e offre agli utenti la flessibilità necessaria per personalizzarlo.

Esempi di utilizzo della sezione Reference#

Ti starai chiedendo perché sia importante comprendere le diverse parti del codebase di Ultralytics. Sapere quale parte del codice gestisce ciascuna funzione rende molto più facile trovare le informazioni che ti servono, apportare modifiche o risolvere problemi.

Ecco alcuni esempi di come puoi usare la sezione Reference della documentazione:

• Se ti chiedi «Come fa il modello a generare previsioni?», vai alla categoria Models nella sezione Reference, seleziona un tipo di modello (come YOLO), scegli un'attività (ad esempio detect) e apri la pagina Predict per i dettagli.
• Se vuoi sapere come vengono applicati gli aumenti dei dati, puoi consultare la pagina Augment nella categoria Data. La pagina elenca le tecniche di aumento integrate, usate per migliorare le prestazioni del modello e diversificare i dati di addestramento.

Esplorare i risultati tramite la sezione Reference#

La sezione Reference è utile anche quando vuoi comprendere gli output restituiti dal tuo modello. Dopo aver eseguito un'inferenza su un'immagine con un modello come Ultralytics YOLO11, il modello restituisce un insieme di risultati che descrivono gli oggetti rilevati.

Ad esempio, in un flusso video di una telecamera, il modello potrebbe rilevare una persona e indicarne la posizione usando un riquadro di delimitazione, accompagnato da un punteggio di confidenza, ovvero un valore compreso tra 0 e 1 che indica il grado di certezza del modello sul rilevamento.

Se vuoi capire come usare quell'output nel tuo progetto, la sezione Reference può guidarti. Include una pagina dedicata al modulo Results, che illustra i contenuti e spiega come accedervi nel codice. Troverai informazioni su come visualizzare i riquadri di rilevamento, controllare i punteggi di confidenza, mostrare i risultati o salvarli.

Fig. 5. Esempio di visualizzazione dei risultati restituiti da YOLO11.

Punti chiave#

La documentazione di Ultralytics ti aiuta a usare efficacemente i modelli YOLO. Spiega processi fondamentali come l'addestramento dei modelli, la preparazione dei dati e l'utilizzo dei risultati. Ogni pagina offre spiegazioni chiare ed esempi di codice per aiutarti a iniziare rapidamente.

Se vuoi scoprire cosa succede dietro le quinte, la sezione Reference della documentazione descrive il processo passo dopo passo. Mostra la struttura del codice, la funzione di ogni componente e il modo in cui tutto lavora insieme. In questo modo è 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 scoprire come sviluppare con l'AI. Pronto a dare vita alle tue idee di computer vision? Visita le nostre opzioni di licenza per iniziare. Scopri come la vision AI nel settore automobilistico e l'AI in ambito sanitario stanno facendo la differenza visitando le nostre pagine dedicate alle soluzioni.