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

Benvenuto in un altro post del blog in cui approfondiremo le funzionalità dei modelli Ultralytics' YOLOv5 e YOLOv8 per quanto riguarda l'object detection e la 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 vari modelli e architetture, incluse 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. Analizziamolo passo dopo passo e vediamo come puoi iniziare con questi incredibili strumenti.

Link to this sectionIniziare 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 all'ultimo YOLOv8, oltre ai modelli YOLO-NAS e SAM. Questi modelli sono progettati per gestire una varietà di attività come detection in tempo reale, segmentation e pose estimation.

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

Link to this sectionConfigurazione 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. Iniziamo con il modello YOLOv8 come esempio.

Link to this sectionCaratteristiche principali di YOLOv8#

YOLOv8 arriva con diversi miglioramenti rispetto ai suoi predecessori. È progettato per essere più veloce e preciso, rendendolo perfetto per 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

Link to this sectionEseguire YOLOv8 in Python#

Ecco come puoi iniziare con YOLOv8 in 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. Questa semplicità è ciò che rende i modelli Ultralytics così potenti e facili da usare.

Link to this sectionDetection live da webcam#

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

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 tua webcam e applicherà il modello YOLOv8 per rilevare oggetti in tempo reale.

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

Link to this sectionEsplorare altri modelli#

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

Link to this sectionModelli 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")

Link to this sectionModelli 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.

Link to this sectionEseguire 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.

Link to this sectionPrestazioni 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).

Link to this sectionPunti 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.

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