Esecuzione dei modelli di rilevamento e segmentazione di Ultralytics in poche righe di codice

Benvenuto in un altro post del blog in cui ci addentreremo nelle capacità dei modelli Ultralytics' YOLOv5 e YOLOv8 quando si parla di object detection e segmentation. Esploreremo come integrare questi modelli facili da usare nei tuoi progetti con poche righe di codice. Che tu sia un principiante o uno sviluppatore esperto, vedrai come Ultralytics supporta various models e architetture, comprese diverse 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 la procedura passo dopo passo e scopriamo come iniziare a usare questi incredibili strumenti.

Iniziare con i modelli Ultralytics#

Ultralytics offre un framework completo che supporta molteplici modelli di object detection e segmentation. Questo include i popolari modelli YOLO, che vanno da YOLOv3 fino agli ultimi YOLOv8, oltre ai modelli YOLO-NAS e SAM. Questi modelli sono progettati per gestire una varietà di attività come detection, segmentation e pose estimation in tempo reale.

Per iniziare, visita la pagina della documentazione di Ultralytics. Qui puoi trovare informazioni dettagliate su ciascun modello, comprese le loro caratteristiche principali, le architetture e come utilizzarli nei tuoi script Python.

Configurazione del tuo ambiente#

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

pip install ultralytics

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

Caratteristiche principali di Ultralytics YOLOv8#

Ultralytics YOLOv8 offre diversi miglioramenti rispetto ai suoi predecessori. È progettato per essere più veloce e preciso, il che lo rende perfetto per le applicazioni in tempo reale. Alcune caratteristiche chiave includono:

• Velocità e precisione migliorate
• Pesi pre-addestrati per molteplici attività
• Supporto per object detection, segmentation e classificazione
• Architettura del modello migliorata per prestazioni migliori

Esecuzione di Ultralytics YOLOv8 in Python#

Ecco come puoi iniziare con Ultralytics YOLOv8 in poche righe di codice:

from ultralytics import YOLO

# Load a pretrained Ultralytics 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. Questa semplicità è ciò che rende i modelli Ultralytics così potenti e facili da usare.

Detection live da webcam#

Vuoi vedere Ultralytics YOLOv8 in azione su un feed di webcam in diretta? Ecco come puoi farlo:

from ultralytics import YOLO

# Load a pretrained Ultralytics 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 tua webcam e applicherà il modello Ultralytics YOLOv8 per rilevare oggetti in tempo reale.

Fig 1. Nicolai Nielsen illustra come eseguire i modelli di object detection e segmentation di Ultralytics.

Esplorare altri modelli#

Ultralytics non si ferma a YOLOv8. Supporta anche vari other models come YOLOv5, YOLO-NAS e modelli basati su Transformer per la detection in tempo reale. Ciascun modello ha i suoi punti di forza e casi d'uso.

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 una backbone basata su convoluzioni e un efficiente encoder ibrido per una velocità in tempo reale, eccellendo su CUDA con TensorRT, e supporta una regolazione flessibile della velocità di inferenza.

Ecco come puoi 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 attività di segmentation, come MobileSAM e FastSAM. Questi modelli sono progettati per segmentare tutto ciò che è presente in un'immagine, fornendo approfondimenti dettagliati sulla scena.

Eseguire FastSAM#

FastSAM è ottimizzato per la segmentation in tempo reale, ed ecco come puoi 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 perfetto per applicazioni che richiedono una segmentation rapida e accurata.

Prestazioni e confronti#

Una delle grandi caratteristiche del framework Ultralytics è la capacità di confrontare diversi modelli fianco a fianco. Puoi facilmente determinare quale modello funziona meglio per la tua specifica applicazione guardando le metriche di prestazione come la velocità di inferenza e la mean average precision (mAP).

Punti chiave#

Ultralytics rende incredibilmente facile eseguire modelli di object detection e segmentation con solo poche righe di codice. Che tu stia lavorando su applicazioni in tempo reale o che tu abbia bisogno di modelli ad alta precisione, Ultralytics ha una soluzione per te. Assicurati di controllare il tutorial completo di Nicolai Nielsen sul canale YouTube di Ultralytics per ulteriori informazioni ed esempi approfonditi.

Rimani sintonizzato per altri tutorial e aggiornamenti dalla community di Ultralytics!