Come usare la sezione Reference della documentazione di Ultralytics YOLO

Oggi l'intelligenza artificiale (AI) è più accessibile che mai, rendendo possibile per chiunque immergersi rapidamente nel mondo dell'AI e iniziare a utilizzare diversi modelli di AI per varie attività all'avanguardia.

Ad esempio, la visione artificiale è un ramo dell'AI che consente ai computer di interpretare e comprendere le informazioni visive contenute in immagini e video, e i modelli di visione artificiale come Ultralytics YOLO11 sono facili da utilizzare fin da subito.

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 settore retail.

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

In particolare, il pacchetto Python di Ultralytics offre strumenti intuitivi per addestrare, personalizzare e distribuire rapidamente questi modelli di AI, consentendo agli utenti di qualsiasi livello di esperienza di creare facilmente applicazioni avanzate di visione artificiale.

Tuttavia, se ti interessa approfondire il funzionamento di ogni componente o creare personalizzazioni, la sezione Reference della documentazione Ultralytics è una risorsa eccellente. Illustra il funzionamento interno del pacchetto Python di Ultralytics, inclusi la gestione dei dati, il processo di addestramento del modello e la visualizzazione delle predizioni.

In questo articolo esamineremo più da vicino la sezione Reference della documentazione Ultralytics e vedremo come utilizzarla quando lavori a progetti di visione artificiale. Iniziamo!

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

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

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

Spiega come è strutturato il pacchetto Python di Ultralytics e illustra componenti fondamentali come la configurazione del modello, il caricamento dei dati, il processo di addestramento e il modo in cui le predizioni vengono generate e restituite.

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 accedere alla parte della sezione Reference dedicata ai dati, che ti aiuterà a capire meglio come i tuoi dati verranno utilizzati per l'addestramento del modello.

Come iniziare a usare la sezione Reference#

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

Facendo clic su una categoria, accederai a una pagina con ulteriori dettagli.

Fig. 2. A sinistra troverai un menu con diverse categorie Reference.

Analogamente, sul lato destro della pagina troverai l'indice dei contenuti, che suddivide ogni pagina Reference nei suoi componenti principali, come funzioni (blocchi di codice riutilizzabili), classi (modelli per la creazione di oggetti) e metodi (funzioni definite all'interno delle classi). In questo modo è facile raggiungere direttamente ciò che cerchi.

Fig. 3. A destra troverai l'indice dei contenuti della pagina Reference specifica che stai visualizzando.

La struttura del repository Ultralytics su GitHub#

Il repository Ultralytics su GitHub è organizzato in sottodirectory o sottopacchetti basati sulle diverse parti del pacchetto Ultralytics, come modelli, addestramento e dati. La sezione Reference della documentazione segue la stessa struttura, rendendo più semplice capire come ogni componente si integra con gli altri.

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

• Models: questa sezione si concentra sui diversi modelli e sulle relative modalità, come la generazione di predizioni, la convalida delle prestazioni e l'esportazione dei modelli addestrati.
• Engine: contiene la logica fondamentale per l'addestramento, la convalida, la predizione, l'esportazione e la valutazione dei modelli.
• Data: 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 il ridimensionamento o il ribaltamento, che aiutano 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 nell'intero codice, come strumenti di visualizzazione, gestione dei file e calcolo delle metriche.
• HUB: si connette a Ultralytics HUB, una piattaforma di visione artificiale senza codice, abilitando funzionalità cloud come l'accesso, il caricamento dei modelli e la gestione dei dataset 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 del repository su GitHub ha una sezione corrispondente nella documentazione. Questa struttura è stata replicata intenzionalmente, rendendo più semplice passare dalla consultazione della documentazione all'esplorazione del codice sorgente.

In effetti, in molte pagine Reference viene mostrato anche il codice sorgente effettivo, così puoi vedere esattamente come sono implementate funzioni e 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 parti fondamentali del pacchetto Ultralytics: models, engine e data.

La sottodirectory models contiene il codice che definisce il funzionamento di ogni tipo di modello. È organizzata sia in base ai tipi di modello (come YOLO, FastSAM o RT-DETR) sia in base alle attività, come rilevamento, segmentazione o classificazione. All'interno di ciascuna di queste sezioni troverai file o moduli che gestiscono azioni specifiche, ad esempio il modo in cui il modello genera le predizioni, viene addestrato o ne vengono valutate le prestazioni.

La sottodirectory engine, invece, opera dietro le quinte per gestire l'intero processo. Mentre la sottodirectory models si concentra su ciò che ogni modello deve fare, la sottodirectory engine si concentra sul modo concreto di eseguire queste attività in maniera coerente ed efficiente.

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

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

Esempi di utilizzo della sezione Reference#

Potresti chiederti perché sia importante comprendere le diverse parti del codice di Ultralytics. Se sai quale parte del codice gestisce ogni funzione, diventa molto più semplice trovare le informazioni di cui hai bisogno, apportare modifiche o risolvere i problemi.

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

• Se ti chiedi «Come genera le predizioni il modello?», puoi accedere alla categoria Models nella sezione Reference, 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 applicati gli aumenti dei dati, puoi consultare la pagina Augment nella categoria Data. Qui sono elencate le tecniche di aumento integrate utilizzate per migliorare le prestazioni del modello e la varietà dei dati di addestramento.

Esplorare i risultati tramite la sezione Reference#

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

Ad esempio, in un flusso video proveniente da una telecamera potrebbe rilevare una persona ed evidenziarne la posizione utilizzando un riquadro di delimitazione, insieme a un punteggio di confidenza, ovvero un valore compreso tra 0 e 1 che indica il grado di certezza del modello riguardo al rilevamento.

Se stai cercando di capire come utilizzare questo output nel tuo progetto, la sezione Reference può guidarti. Include una pagina dedicata al modulo Results, che illustra nel dettaglio cosa contiene e come accedervi nel codice. Sono disponibili informazioni su come visualizzare i riquadri di rilevamento, controllare i punteggi di confidenza, mostrare i risultati o salvarli.

Fig. 5. Un esempio di come visualizzare i risultati restituiti da YOLO11.

Punti chiave#

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

Se ti incuriosisce ciò che accade dietro le quinte, la sezione Reference della documentazione lo illustra anche passo dopo passo. Mostra come è strutturato il codice, cosa fa ogni parte e come tutti i componenti collaborano. In questo modo è più facile imparare, personalizzare e creare con sicurezza i tuoi progetti di visione artificiale.

Entra a far parte della nostra community attiva ed esplora il repository su GitHub per saperne di più sulla creazione di soluzioni con l'AI. Sei pronto a dare vita alle tue idee di visione artificiale? Visita le nostre opzioni di licenza per iniziare. Scopri come la visione artificiale nel settore automobilistico e l'AI nel settore sanitario stanno avendo un impatto concreto visitando le nostre pagine dedicate alle soluzioni.