Esecuzione dei modelli Ultralytics di rilevamento e segmentazione degli oggetti con poche righe di codice

In questo articolo esamineremo le capacità dei modelli Ultralytics YOLOv5 e YOLOv8 nel rilevamento degli oggetti e nella segmentazione. Vedremo come integrare questi modelli facili da usare nei tuoi progetti con poche righe di codice. Che tu sia alle prime armi 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 illustra il processo di configurazione e utilizzo di diversi modelli all'interno del framework Ultralytics. Vediamo passo dopo passo come iniziare a usare questi strumenti.

Per iniziare con i modelli Ultralytics#

Ultralytics offre un framework completo che supporta diversi modelli per il rilevamento degli oggetti e la segmentazione. Include i diffusi modelli YOLO, da YOLOv3 a YOLOv8, successivamente sostituito da YOLO26, 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 trovi informazioni dettagliate su ogni modello, incluse le caratteristiche principali, le architetture e le istruzioni per usarli 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. Prendiamo come esempio il modello Ultralytics YOLOv8.

Caratteristiche principali di Ultralytics YOLOv8#

Ultralytics YOLOv8 offre diversi miglioramenti rispetto alle versioni precedenti. È progettato per essere più veloce e preciso, risultando adatto alle applicazioni in tempo reale. Tra le funzionalità principali:

• Maggiore velocità e accuratezza
• 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

# Carica un modello YOLOv8 preaddestrato
model = YOLO("yolov8n.pt")

# Esegui l’inferenza su un’immagine
results = model("path/to/image.jpg")

Ecco fatto! Hai appena eseguito l'inferenza su un'immagine con un modello YOLOv8. Questa semplicità rende i modelli Ultralytics così facili da usare.

Rilevamento tramite webcam in tempo reale#

Vuoi vedere Ultralytics YOLOv8 in azione con il flusso video di una webcam in tempo reale? Ecco come fare:

from ultralytics import YOLO

# Carica un modello YOLOv8 preaddestrato
model = YOLO("yolov8n.pt")

# Esegui l’inferenza sul flusso della webcam (source=0) e mostra i risultati
results = model.predict(source=0, show=True)

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

Fig. 1. Nicolai Nielsen spiega come eseguire i modelli Ultralytics di rilevamento degli oggetti e segmentazione.

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.

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 garantire velocità in tempo reale, eccelle con CUDA e TensorRT e supporta la regolazione flessibile della velocità di inferenza.

Ecco come puoi eseguire un modello RT-DETR:

from ultralytics import RTDETR

# Carica un modello RT-DETR-l preaddestrato su COCO
model = RTDETR("rtdetr-l.pt")

# Esegui l’inferenza su un’immagine
results = model("path/to/image.jpg")

Modelli Segment Anything#

Ultralytics offre anche modelli per attività di segmentazione, come MobileSAM e FastSAM. Questi modelli sono progettati per segmentare tutti gli elementi presenti in un'immagine e fornire informazioni dettagliate sulla scena.

Eseguire FastSAM#

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

from ultralytics import FastSAM

# Crea un modello FastSAM
model = FastSAM("FastSAM-s.pt")  # oppure FastSAM-x.pt

# Esegui l’inferenza su un’immagine
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

Questo modello è adatto alle applicazioni che richiedono una segmentazione rapida e precisa.

Prestazioni e confronti#

Una funzionalità utile dell'ecosistema Ultralytics è la possibilità di confrontare diversi modelli fianco a fianco. Puoi determinare quale modello funziona meglio per la tua applicazione specifica esaminando metriche di prestazione come la velocità di inferenza e la precisione media (mAP).

Punti principali#

Ultralytics semplifica l'esecuzione di modelli di rilevamento degli oggetti e segmentazione con poche righe di codice. Che tu stia lavorando ad applicazioni in tempo reale o abbia bisogno di modelli ad alta precisione, Ultralytics ha una soluzione per te. Dai un'occhiata al tutorial completo di Nicolai Nielsen sul canale YouTube di Ultralytics per approfondimenti ed esempi.

Resta sintonizzato per altri tutorial e aggiornamenti dalla community Ultralytics!