Запуск моделей обнаружения объектов и сегментации Ultralytics в нескольких строках кода

Добро пожаловать в еще одну статью блога, где мы углубимся в возможности моделей Ultralytics' YOLOv5 и YOLOv8, когда дело доходит до обнаружения объектов и сегментации. Мы рассмотрим, как интегрировать эти простые в использовании модели в ваши проекты всего несколькими строками кода. Независимо от того, являетесь ли вы новичком или опытным разработчиком, вы увидите, как Ultralytics поддерживает различные модели и архитектуры, включая различные версии YOLO и модели на основе трансформеров. 

В своем видео Николай Нильсен проведет нас через процесс настройки и использования различных моделей в рамках Ultralytics. Давайте разберем его шаг за шагом и посмотрим, как вы можете начать работу с этими невероятными инструментами.

Начало работы с моделями Ultralytics

Ultralytics предлагает комплексную структуру, поддерживающую несколько моделей обнаружения объектов и сегментации. Это включает в себя популярные модели YOLO, начиная с YOLOv3 и заканчивая последней YOLOv8, а также модели YOLO-NAS и SAM. Эти модели предназначены для решения различных задач, таких как обнаружение в реальном времени, сегментация и оценка позы.

Для начала посетите страницу документации Ultralytics. Здесь вы можете найти подробную информацию о каждой модели, включая ее ключевые особенности, архитектуру и способы использования в ваших Python-скриптах.

Настройка вашей среды

Сначала убедитесь, что у вас установлен Ultralytics. Это можно сделать, выполнив команду:

bash

Копировать код

Как только это будет сделано, вы можете начать использовать эти модели в своих проектах. Начнем с модели YOLOv8 в качестве примера.

Ключевые особенности YOLOv8

YOLOv8 имеет ряд улучшений по сравнению со своими предшественниками. Он разработан, чтобы быть быстрее и точнее, что делает его идеальным для приложений реального времени. Вот некоторые ключевые особенности: 

• Повышенная скорость и точность
• Предварительно обученные веса для различных задач
• Поддержка обнаружения объектов, сегментации и классификации
• Улучшенная архитектура модели для повышения производительности

Запуск YOLOv8 на Python

Вот как вы можете начать работу с YOLOv8 всего в несколько строк кода:

Копировать код

Вот и все! Вы только что запустили модель YOLOv8 на изображении. Эта простота делает модели Ultralytics такими мощными и удобными для пользователя.

Обнаружение в реальном времени с веб-камеры

Хотите увидеть YOLOv8 в действии на прямой трансляции с веб-камеры? Вот как это можно сделать:

python

Копировать код

Этот скрипт откроет вашу веб-камеру и применит модель YOLOv8 для обнаружения объектов в режиме реального времени.

Изучение других моделей

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

Модели Transformer и способы их запуска

Модель RT-DETR, разработанная Baidu и поддерживаемая Ultralytics, представляет собой современный комплексный детектор объектов, обеспечивающий производительность в реальном времени и высокую точность. В ней используется магистральная сеть на основе сверточных нейронных сетей и эффективный гибридный энкодер для обеспечения скорости в реальном времени, превосходной работы на CUDA с TensorRT и поддержки гибкой настройки скорости инференса.

Вот как можно запустить модель RT-DETR:

Копировать код

Segment Anything Models

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

Запуск FastSAM

FastSAM оптимизирован для сегментации в реальном времени, и вот как вы можете его запустить:

Копировать код

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

Производительность и сравнения

Одной из замечательных особенностей фреймворка Ultralytics является возможность сравнения различных моделей бок о бок. Вы можете легко определить, какая модель лучше всего подходит для вашего конкретного приложения, посмотрев на показатели производительности, такие как скорость инференса и средняя точность (mAP).

Основные выводы

Ultralytics позволяет невероятно легко запускать модели обнаружения объектов и сегментации всего с несколькими строками кода. Если вы работаете над приложениями реального времени или вам нужны высокоточные модели, у Ultralytics есть решение для вас. Обязательно ознакомьтесь с полным руководством Николая Нильсена на YouTube-канале Ultralytics для получения более подробной информации и примеров.

Следите за новыми руководствами и обновлениями от сообщества Ultralytics!