Eseguire i modelli Ultralytics di rilevamento e segmentazione degli oggetti con poche righe di codice

Benvenuto in un altro articolo del blog, dove esploreremo le funzionalità dei modelli YOLOv5 di Ultralytics e YOLOv8 per il rilevamento degli oggetti e la segmentazione. Vedremo come integrare questi modelli facili da usare nei tuoi progetti con poche righe di codice. Che tu sia un principiante o uno sviluppatore esperto, scoprirai come Ultralytics supporta diversi modelli e architetture, incluse varie versioni di YOLO e modelli basati su Transformer.

Nel suo video, Nicolai Nielsen ci guida attraverso il processo di configurazione e utilizzo di vari modelli all'interno del framework Ultralytics. Analizziamo il tutto passo dopo passo e vediamo come iniziare a usare questi straordinari strumenti.

Iniziare a usare i modelli Ultralytics#

Ultralytics offre un framework completo che supporta diversi modelli per il rilevamento e la segmentazione degli oggetti. Include i popolari modelli YOLO, da YOLOv3 all'ultimo YOLOv8, oltre a YOLO-NAS e ai modelli SAM. Questi modelli sono progettati per gestire diverse attività, come il rilevamento in tempo reale, la segmentazione e la stima della posa.

Per iniziare, visita la pagina della documentazione di Ultralytics. Qui puoi trovare informazioni dettagliate su ogni modello, incluse le funzionalità principali, le architetture e le modalità di utilizzo nei tuoi script Python.

Configurare l'ambiente#

Per prima cosa, assicurati di aver installato Ultralytics. Puoi farlo eseguendo:

pip install ultralytics

Una volta fatto, puoi iniziare a usare questi modelli nei tuoi progetti. Iniziamo prendendo come esempio il modello Ultralytics YOLOv8.

Caratteristiche principali di Ultralytics YOLOv8#

Ultralytics YOLOv8 include diversi miglioramenti rispetto ai suoi predecessori. È progettato per essere più veloce e preciso, il che lo rende ideale per le applicazioni in tempo reale. Alcune funzionalità principali includono:

• Maggiore velocità e precisione
• Pesi preaddestrati per diverse attività
• Supporto per il rilevamento degli oggetti, la segmentazione e la classificazione
• Architettura del modello migliorata per prestazioni superiori

Eseguire Ultralytics YOLOv8 in Python#

Ecco come iniziare a usare Ultralytics YOLOv8 con poche righe di codice:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

Tutto qui! Hai appena eseguito un modello YOLOv8 su un'immagine. È proprio questa semplicità a rendere i modelli Ultralytics così potenti e facili da usare.

Rilevamento tramite webcam in tempo reale#

Vuoi vedere Ultralytics YOLOv8 in azione su un feed live della webcam? Ecco come fare:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on the webcam feed (source=0) and display the results
results = model.predict(source=0, show=True)

Questo script aprirà la webcam e applicherà il modello Ultralytics YOLOv8 per rilevare gli oggetti in tempo reale.

Fig. 1. Nicolai Nielsen illustra come eseguire i modelli Ultralytics per il rilevamento e la segmentazione degli oggetti.

Esplorare altri modelli#

Ultralytics non si limita a YOLOv8. Supporta anche diversi altri modelli, come YOLOv5, YOLO-NAS e modelli basati su Transformer per il rilevamento in tempo reale. Ogni modello ha i propri punti di forza e casi d'uso.

I modelli Transformer e come eseguirli#

Il modello RT-DETR, sviluppato da Baidu e supportato da Ultralytics, è un rilevatore di oggetti end-to-end all'avanguardia che offre prestazioni in tempo reale e alta precisione. Utilizza un backbone basato su convoluzioni e un encoder ibrido efficiente per raggiungere velocità in tempo reale, eccellendo su CUDA con TensorRT e supportando una regolazione flessibile della velocità di inferenza.

Ecco come eseguire un modello RT-DETR:

from ultralytics import RTDETR

# Load a COCO-pretrained RT-DETR-l model
model = RTDETR("rtdetr-l.pt")

# Run inference on an image
results = model("path/to/image.jpg")

Modelli Segment Anything#

Ultralytics offre anche modelli per le attività di segmentazione, come MobileSAM e FastSAM. Questi modelli sono progettati per segmentare tutto ciò che appare in un'immagine, fornendo informazioni dettagliate sulla scena.

Eseguire FastSAM#

FastSAM è ottimizzato per la segmentazione in tempo reale; ecco come eseguirlo:

from ultralytics import FastSAM

# Create a FastSAM model
model = FastSAM("FastSAM-s.pt")  # or FastSAM-x.pt

# Run inference on an image
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

Questo modello è ideale per le applicazioni che richiedono una segmentazione rapida e precisa.

Prestazioni e confronti#

Una delle funzionalità più interessanti del framework Ultralytics è la possibilità di confrontare diversi modelli fianco a fianco. Puoi determinare facilmente quale modello funziona meglio per la tua applicazione specifica osservando metriche delle prestazioni come la velocità di inferenza e la precisione media media (mAP).

Punti principali#

Ultralytics rende incredibilmente semplice eseguire modelli per il rilevamento e la segmentazione degli oggetti con poche righe di codice. Che tu stia lavorando su applicazioni in tempo reale o abbia bisogno di modelli ad alta precisione, Ultralytics ha una soluzione per te. Guarda il tutorial completo di Nicolai Nielsen sul canale YouTube di Ultralytics per informazioni ed esempi più approfonditi.

Continua a seguirci per altri tutorial e aggiornamenti dalla community di Ultralytics!