Как использовать раздел Reference в документации Ultralytics YOLO

Сегодня искусственный интеллект (AI) доступен как никогда, поэтому любой может погрузиться в эту сферу и быстро начать использовать различные AI-модели для решения передовых задач.

Например, компьютерное зрение — это направление AI, которое позволяет компьютерам интерпретировать и понимать визуальную информацию на изображениях и видео, а такие модели компьютерного зрения, как Ultralytics YOLO11, легко начать использовать.

Ultralytics YOLO11 поддерживает такие задачи, как обнаружение объектов, сегментация экземпляров и классификация изображений, и может использоваться в таких приложениях, как автономное вождение, мониторинг безопасности и аналитика розничной торговли.

Рис. 1. Ultralytics YOLO11 можно использовать для обнаружения различных объектов.

В частности, пакет Ultralytics для Python предоставляет удобные инструменты для быстрого обучения, настройки и развертывания этих AI-моделей, позволяя пользователям любого уровня подготовки легко создавать продвинутые приложения компьютерного зрения.

Однако если ты хочешь глубже разобраться в принципах работы системы или создать собственные настройки, раздел Reference документации Ultralytics станет отличным ресурсом. В нем описано внутреннее устройство пакета Ultralytics для Python, включая обработку данных, процесс обучения модели и визуализацию предсказаний.

В этой статье мы подробнее рассмотрим раздел Reference документации Ultralytics и его использование при работе над проектами компьютерного зрения. Давай начнем!

Более подробный обзор работы с моделями Ultralytics YOLO#

Работать с пакетом Ultralytics для Python просто и удобно. Ты можешь обучать модели YOLO или обнаруживать объекты на изображениях всего несколькими строками кода.

Однако после того как ты освоишься с моделями компьютерного зрения, раздел Reference документации Ultralytics поможет глубже разобраться в работе кода и функциях, которые поддерживает пакет. В нем также есть понятные объяснения, настраиваемые параметры и ссылки на соответствующий код в репозитории Ultralytics на GitHub.

В нем объясняется структура пакета Ultralytics для Python и рассматриваются такие ключевые компоненты, как настройка модели, загрузка данных, процесс обучения, а также формирование и возврат предсказаний.

Все организовано по понятным категориям, поэтому нужную информацию легко найти. Например, если ты обучаешь модель на собственном наборе данных, перейди к части раздела Reference, посвященной данным, и ты лучше поймешь, как твои данные будут использоваться для обучения модели.

Как начать работу с разделом Reference#

Если ты откроешь раздел Reference в документации Ultralytics YOLO, то увидишь в левой части страницы меню с различными категориями справки. Каждая категория соответствует определенной части кодовой базы Ultralytics, например моделям, обработке данных или функциям обучения.

При нажатии на категорию открывается страница с дополнительными сведениями.

Рис. 2. Слева находится меню с различными категориями Reference.

А в правой части страницы находится оглавление, в котором каждая страница Reference разбита на ключевые компоненты, такие как функции (многоразовые блоки кода), классы (шаблоны для создания объектов) и методы (функции, определенные внутри классов). Благодаря этому нужный раздел можно открыть напрямую.

Рис. 3. Справа находится оглавление просматриваемой страницы Reference.

Структура репозитория Ultralytics на GitHub#

Репозиторий Ultralytics на GitHub организован в виде подкаталогов или подпакетов, соответствующих различным частям пакета Ultralytics, таким как модели, обучение и данные. Раздел Reference в документации повторяет эту структуру, благодаря чему проще понять, как все компоненты связаны между собой.

Ниже приведены некоторые основные подкаталоги или категории, которые ты увидишь и в репозитории Ultralytics на GitHub, и в разделе Reference документации Ultralytics:

• Models: этот раздел посвящен различным моделям и их режимам, например созданию предсказаний, проверке производительности и экспорту обученных моделей.
• Engine: здесь содержится основная логика обучения, валидации, выполнения предсказаний, экспорта и оценки моделей.
• Data: здесь управляется загрузка, обработка и аугментация наборов данных. Сюда входят функции создания загрузчиков данных (инструментов, которые подают данные в модель пакетами), применения преобразований (изменений изображений, таких как изменение размера или отражение, которые помогают модели лучше обучаться) и подготовки данных (организации и форматирования изображений и меток) для обучения.
• Utils: этот раздел предоставляет широкий набор вспомогательных функций, используемых во всей кодовой базе, включая инструменты визуализации, работу с файлами и вычисление метрик.
• HUB: этот раздел подключается к Ultralytics HUB — платформе компьютерного зрения без программирования, предоставляя облачные возможности, такие как вход в систему, загрузка моделей и управление наборами данных через API.
• Trackers: здесь реализована логика отслеживания объектов для приложений, работающих с видео или последовательностями изображений кадр за кадром.

Каждому из этих подкаталогов в репозитории на GitHub соответствует раздел в документации. Эта структура намеренно повторяется, поэтому проще переходить от чтения документации к изучению исходного кода.

Во многих страницах Reference также отображается фактический исходный код, поэтому ты можешь увидеть, как именно реализованы функции и классы, не покидая документацию.

Рис. 4. Исходный код также включен на страницы Reference.

Разбираемся в компонентах models, engine и data#

Теперь, когда мы увидели, как организован раздел Reference, давай подробнее рассмотрим три ключевые части пакета Ultralytics: models, engine и data.

Подкаталог models содержит код, определяющий работу каждого типа модели. Он организован по типам моделей (например, YOLO, FastSAM или RT-DETR) и задачам, таким как обнаружение, сегментация или классификация. В каждом из этих разделов находятся файлы или модули, отвечающие за определенные действия — например, за формирование предсказаний моделью, ее обучение или оценку ее производительности.

Подкаталог engine тем временем работает в фоновом режиме и управляет всем процессом. Если подкаталог models сосредоточен на том, что должна делать каждая модель, то подкаталог engine отвечает за фактическое выполнение этих задач согласованным и эффективным способом.

Подкаталог data отвечает за загрузку и подготовку наборов данных. Эта часть кодовой базы обеспечивает чистоту, структурированность и разнообразие обучающих данных, помогая модели лучше обучаться и эффективнее обобщать полученные знания.

Такое четкое разделение упрощает сопровождение кода и дает пользователям возможность гибко настраивать его.

Примеры использования раздела Reference#

Возможно, ты задаешься вопросом: зачем разбираться в различных частях кодовой базы Ultralytics? Если ты знаешь, какая часть кода за что отвечает, тебе будет гораздо проще находить нужную информацию, вносить изменения и устранять неполадки.

Вот несколько примеров использования раздела Reference документации:

• Если ты спрашиваешь: «Как модель формирует предсказания?», открой категорию Models в разделе Reference, выбери тип модели (например, YOLO), укажи задачу (например, detect), а затем открой страницу Predict для получения подробной информации.
• Если ты хочешь узнать, как применяются аугментации данных, изучи страницу Augment в категории Data. На ней перечислены встроенные методы аугментации, используемые для повышения производительности модели и разнообразия обучающих данных.

Изучение результатов через раздел Reference#

Раздел Reference также помогает разобраться в выходных данных, возвращаемых моделью. После выполнения инференса на изображении с помощью такой модели, как Ultralytics YOLO11, она возвращает набор результатов, описывающих обнаруженные объекты.

Например, в видеопотоке с камеры модель может обнаружить человека и выделить его местоположение с помощью ограничивающего прямоугольника, а также указать показатель уверенности — значение от 0 до 1, отражающее уверенность модели в обнаружении.

Если ты хочешь понять, как использовать эти выходные данные в своем проекте, раздел Reference поможет тебе. В нем есть страница модуля Results, где подробно описано его содержимое и способы доступа к нему в коде. Там также объясняется, как просматривать боксы обнаружения, проверять показатели уверенности, отображать результаты и сохранять их.

Рис. 5. Пример визуализации результатов, возвращаемых YOLO11.

Основные выводы#

Документация Ultralytics помогает эффективно использовать модели YOLO. В ней объясняются такие ключевые процессы, как обучение моделей, подготовка данных и работа с результатами. На каждой странице есть понятные объяснения и примеры фрагментов кода, которые помогут тебе быстро начать работу.

Если тебе интересно, что происходит внутри системы, раздел Reference документации также пошагово разбирает этот процесс. В нем показано, как структурирован код, за что отвечает каждая его часть и как все компоненты работают вместе. Это упрощает изучение и настройку системы, а также помогает уверенно создавать собственные проекты компьютерного зрения.

Присоединяйся к нашему активному сообществу и изучай репозиторий на GitHub, чтобы больше узнать о создании AI-решений. Готов воплотить собственные идеи в области компьютерного зрения? Посети страницу наших вариантов лицензирования, чтобы начать. Узнай, как AI в автомобильной отрасли и AI в здравоохранении меняют эти сферы, на страницах наших решений.