Запуск моделей обнаружения и сегментации объектов Ultralytics с помощью нескольких строк кода

Добро пожаловать в новый блог, где мы погрузимся в возможности моделей Ultralytics' YOLOv5 и YOLOv8 в задачах обнаружения объектов и сегментации. Мы изучим, как интегрировать эти простые в использовании модели в твои проекты всего несколькими строками кода. Независимо от того, новичок ты или опытный разработчик, ты увидишь, как Ultralytics поддерживает различные модели и архитектуры, включая разные версии YOLO и модели на основе Transformer.

В своем видео Николай Нильсен проводит нас через процесс настройки и использования различных моделей в рамках инфраструктуры Ultralytics. Давай разберем это пошагово и посмотрим, как ты можешь начать работу с этими невероятными инструментами.

Link to this sectionНачало работы с моделями Ultralytics#

Ultralytics предлагает комплексную инфраструктуру, которая поддерживает множество моделей обнаружения и сегментации объектов. Сюда входят популярные модели YOLO, от YOLOv3 до новейшей YOLOv8, а также модели YOLO-NAS и SAM. Эти модели разработаны для решения различных задач, таких как обнаружение в реальном времени, сегментация и оценка позы.

Для начала посети страницу документации Ultralytics. Здесь ты найдешь подробную информацию о каждой модели, включая их ключевые особенности, архитектуры и способы использования в твоих скриптах Python.

Link to this sectionНастройка твоего окружения#

Сначала убедись, что у тебя установлена Ultralytics. Ты можешь сделать это, выполнив:

pip install ultralytics

Как только это будет сделано, ты сможешь начать использовать эти модели в своих проектах. Давай начнем с модели YOLOv8 в качестве примера.

Link to this sectionКлючевые особенности YOLOv8#

YOLOv8 обладает рядом улучшений по сравнению со своими предшественниками. Она разработана так, чтобы работать быстрее и точнее, что делает ее идеальной для приложений реального времени. Некоторые ключевые особенности включают:

• Повышение скорости и точности
• Предварительно обученные веса для множества задач
• Поддержка обнаружения объектов, сегментации и классификации
• Улучшенная архитектура модели для повышения производительности

Link to this sectionЗапуск YOLOv8 на Python#

Вот как ты можешь начать работу с YOLOv8 всего в несколько строк кода:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

Вот и всё! Ты только что запустил модель YOLOv8 на изображении. Именно эта простота делает модели Ultralytics такими мощными и удобными для пользователя.

Link to this sectionОбнаружение через веб-камеру в реальном времени#

Хочешь увидеть YOLOv8 в действии на трансляции с веб-камеры? Вот как ты можешь это сделать:

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)

Этот скрипт откроет твою веб-камеру и применит модель YOLOv8 для обнаружения объектов в реальном времени.

Рис 1. Николай Нильсен объясняет, как запустить модели Ultralytics для обнаружения и сегментации объектов.

Link to this sectionИзучение других моделей#

Ultralytics не ограничивается только YOLOv8. Они также поддерживают различные другие модели, такие как YOLOv5, YOLO-NAS и модели на основе Transformer для обнаружения в реальном времени. Каждая модель имеет свои сильные стороны и варианты использования.

Link to this sectionМодели Transformer и как их запустить#

Модель RT-DETR, разработанная Baidu и поддерживаемая Ultralytics, представляет собой современный комплексный детектор объектов, который обеспечивает производительность в реальном времени и высокую точность. Она использует сверточный бэкбон и эффективный гибридный энкодер для достижения скорости реального времени, отлично работает на CUDA с TensorRT и поддерживает гибкую настройку скорости вывода.

Вот как ты можешь запустить модель 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 sectionМодели Segment Anything#

Ultralytics также предлагает модели для задач сегментации, такие как MobileSAM и FastSAM. Эти модели предназначены для сегментации всего на изображении, предоставляя подробную информацию о сцене.

Link to this sectionЗапуск FastSAM#

FastSAM оптимизирована для сегментации в реальном времени, и вот как ты можешь ее запустить:

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)

Эта модель идеально подходит для приложений, требующих быстрой и точной сегментации.

Link to this sectionПроизводительность и сравнения#

Одной из отличных особенностей инфраструктуры Ultralytics является возможность сравнивать разные модели бок о бок. Ты можешь легко определить, какая модель лучше всего подходит для твоего конкретного приложения, глядя на метрики производительности, такие как скорость вывода и средняя точность (mAP).

Link to this sectionОсновные выводы#

Ultralytics невероятно упрощает запуск моделей обнаружения и сегментации объектов всего несколькими строками кода. Независимо от того, работаешь ли ты над приложениями реального времени или тебе нужны модели высокой точности, у Ultralytics есть решение для тебя. Обязательно посмотри полное руководство Николая Нильсена на YouTube-канале Ultralytics для получения более подробной информации и примеров.

Следи за обновлениями и новыми руководствами от сообщества Ultralytics!