Как использовать раздел Reference в документации Ultralytics YOLO

Сегодня искусственный интеллект (ИИ) доступнее, чем когда-либо, что позволяет любому человеку быстро погрузиться в тему и начать использовать различные модели ИИ для передовых задач.

Например, computer vision — это область ИИ, которая позволяет компьютерам интерпретировать и понимать визуальную информацию с изображений и видео, и начать работать с моделями компьютерного зрения, такими как Ultralytics YOLO11, очень просто.

YOLO11 поддерживает такие задачи, как обнаружение объектов, сегментация экземпляров и классификация изображений, и может использоваться в таких сферах, как автономное вождение, мониторинг безопасности и розничная аналитика.

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

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

Однако, если тебе интересно глубже понять, как всё устроено, или ты хочешь внести свои собственные изменения, Reference section в документации Ultralytics станет отличным ресурсом. В ней описаны внутренние механизмы пакета Ultralytics Python, включая обработку данных, процесс обучения моделей и визуализацию предсказаний.

В этой статье мы подробно рассмотрим раздел Reference документации Ultralytics и узнаем, как использовать его при работе над проектами компьютерного зрения. Давай начнем!

Link to this sectionБолее глубокий взгляд на работу с моделями Ultralytics YOLO#

Работать с пакетом Ultralytics Python просто и понятно. Ты можешь обучать модели YOLO или detect objects на изображениях всего за несколько строк кода.

Однако, как только ты освоишься с моделями компьютерного зрения, раздел Reference в документации Ultralytics поможет тебе лучше понять, how the code works и какие функции поддерживает пакет. Он также включает простые объяснения, параметры конфигурации и ссылки на соответствующий код, доступный в репозитории Ultralytics на GitHub.

Здесь объясняется структура пакета Ultralytics Python и освещаются ключевые компоненты, такие как настройка модели, загрузка данных, процесс обучения, а также то, как выполняются и возвращаются предсказания.

Всё организовано по четким категориям, поэтому найти то, что нужно, очень легко. Например, если ты обучаешь модель на своем собственном наборе данных, ты можешь перейти в часть раздела Reference, посвященную данным, и получить лучшее представление о том, как твои данные будут использоваться для обучения модели.

Link to this sectionКак начать работу с разделом Reference#

Если ты перейдешь в раздел Reference в документации Ultralytics YOLO, ты увидишь меню слева с различными категориями справки. Каждая категория представляет собой конкретную часть кодовой базы Ultralytics, например, models, обработка данных или функции обучения.

Клик по категории перенесет тебя на страницу с более подробной информацией.

Рис. 2. Слева ты найдешь меню различных категорий Reference.

Точно так же справа на странице находится оглавление, которое разбивает каждую страницу справочника на ключевые компоненты: функции (повторно используемые блоки кода), классы (шаблоны для создания объектов) и методы (функции, определенные внутри классов). Это позволяет легко перейти прямо к тому, что ты ищешь.

Рис. 3. Справа ты найдешь оглавление для текущей страницы Reference, которую просматриваешь.

Link to this sectionСтруктура репозитория Ultralytics на GitHub#

Репозиторий Ultralytics на GitHub организован по поддиректориям или субпакетам, соответствующим различным частям пакета Ultralytics, таким как модели, обучение и data. Раздел Reference в документации следует той же структуре, что упрощает понимание того, как всё взаимосвязано.

Вот некоторые из основных поддиректорий или категорий, которые ты увидишь как в репозитории Ultralytics на GitHub, так и в разделе Reference документации Ultralytics:

• Models: Этот раздел сфокусирован на различных моделях и их modes, таких как создание предсказаний, валидация производительности и экспорт обученных моделей.
• Engine: Содержит основную логику для обучения, валидации, предсказания, экспорта и оценки моделей.
• Data: Управляет тем, как наборы данных загружаются, обрабатываются и дополняются. Включает функции для создания загрузчиков данных (инструменты, которые подают данные в модель батчами), применения трансформаций (изменения изображений, такие как изменение размера или отражение, помогающие модели обучаться лучше) и подготовки данных (организация и форматирование изображений и меток) для обучения.
• Utils: Этот раздел предоставляет широкий спектр вспомогательных функций, используемых во всей кодовой базе, таких как инструменты визуализации, обработка файлов и расчет метрик.
• HUB: Подключается к Ultralytics HUB, платформе компьютерного зрения без необходимости написания кода, предоставляя облачные функции, такие как вход в систему, загрузка моделей и управление наборами данных через API.
• Trackers: Реализует логику отслеживания объектов для приложений, работающих с видео или последовательностями кадров.

Каждая из этих поддиректорий в репозитории GitHub имеет соответствующий раздел в документации. Эта структура зеркально отражена намеренно, чтобы облегчить переключение между чтением документации и изучением исходного кода.

Фактически, на многих страницах Reference отображается и сам исходный код, поэтому ты можешь точно увидеть, как реализованы функции и классы, не покидая документацию.

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

Link to this sectionПонимание компонентов моделей, движка и данных#

Теперь, когда мы увидели, как организован раздел Reference, давай подробнее рассмотрим три ключевые части пакета Ultralytics: модели, движок (engine) и данные (data).

Поддиректория моделей содержит код, определяющий, как работает каждый тип модели. Она организована как по типам моделей (например, YOLO, FastSAM или RT-DETR), так и по задачам, таким как обнаружение, сегментация или классификация. Внутри каждой из них ты найдешь файлы или модули, обрабатывающие конкретные действия — например, как модель делает предсказания, как она обучается или как оценивается её performance.

В то же время поддиректория engine работает «за кулисами», управляя всем процессом. Пока поддиректория моделей фокусируется на том, что должна делать каждая модель, поддиректория engine фокусируется на том, как фактически выполнять эти задачи последовательным и эффективным способом.

Кроме того, поддиректория data отвечает за загрузку и подготовку наборов данных. Эта часть кодовой базы гарантирует, что твои обучающие данные чисты, структурированы и разнообразны, помогая модели лучше обучаться и эффективнее обобщать результаты.

Такое четкое разделение делает код более простым в обслуживании и дает пользователям гибкость для его настройки.

Link to this sectionПримеры использования раздела Reference#

Возможно, ты задаешься вопросом, почему важно понимать различные части кодовой базы Ultralytics? Если ты знаешь, какая часть кода за что отвечает, становится гораздо проще находить нужную информацию, вносить изменения или устранять неполадки.

Вот несколько примеров того, как ты можешь использовать раздел Reference в документации:

• Если ты задаешься вопросом: «Как модель делает предсказания?», ты можешь перейти в категорию Models в разделе Reference, выбрать тип модели (например, YOLO), выбрать задачу (например, detect), а затем открыть страницу Predict для получения подробной информации.
• Если ты хочешь узнать, как применяются data augmentations, ты можешь изучить страницу Augment в категории Data. Там перечислены встроенные методы аугментации, используемые для улучшения производительности модели и разнообразия обучающих данных.

Link to this sectionИсследование результатов через раздел Reference#

Раздел Reference также полезен, когда ты пытаешься понять результаты, возвращаемые твоей моделью. После того как модель, подобная YOLO11, выполнит инференс на изображении, она возвращает набор результатов, описывающих, что было обнаружено.

Например, в видеопотоке она может обнаружить человека и выделить его местоположение с помощью bounding box, а также показать уровень уверенности — значение от 0 до 1, которое указывает, насколько модель уверена в обнаружении.

Если ты пытаешься понять, как использовать этот результат в своем проекте, раздел Reference может помочь. В нем есть страница для модуля Results module, где подробно описано, что входит в результаты и как получить к ним доступ в коде. Там есть информация о том, как просматривать рамки обнаружения, проверять уровни уверенности, отображать результаты или сохранять их.

Рис. 5. Пример того, как можно визуализировать результаты, возвращаемые YOLO11.

Link to this sectionОсновные выводы#

Документация Ultralytics помогает тебе понять, как эффективно использовать модели YOLO. В ней объясняются ключевые процессы, такие как обучение моделей, подготовка данных и работа с результатами. Каждая страница содержит четкие пояснения и фрагменты кода с примерами, чтобы помочь тебе быстро начать работу.

Если тебе любопытно, что происходит за кулисами, раздел Reference в документации также разбирает всё пошагово. Он показывает, как структурирован код, что делает каждая часть и как всё работает вместе. Это упрощает обучение, настройку и уверенное создание собственных проектов компьютерного зрения.

Стань частью нашего активного сообщества и изучи репозиторий GitHub, чтобы узнать больше о создании приложений с помощью ИИ. Готов реализовать свои идеи в области компьютерного зрения? Посети наши варианты лицензирования, чтобы начать. Узнай, как vision AI in automotive и AI in healthcare меняют индустрии, посетив наши страницы с решениями.