Запуск моделей обнаружения и сегментации объектов Ultralytics всего в несколько строк кода

В этой статье мы рассмотрим возможности моделей Ultralytics YOLOv5 и YOLOv8 для обнаружения объектов и сегментации. Мы расскажем, как добавить эти простые в использовании модели в свои проекты всего несколькими строками кода. Независимо от того, только ли ты начинаешь или уже опытный разработчик, ты узнаешь, как Ultralytics поддерживает различные модели и архитектуры, включая разные версии YOLO и модели на основе трансформеров.

В своём видео Николай Нильсен показывает, как настраивать и использовать различные модели в рамках Ultralytics. Давай разберём этот процесс по шагам и посмотрим, как начать работу с этими инструментами.

Начало работы с моделями Ultralytics#

Ultralytics предлагает комплексный фреймворк, поддерживающий различные модели обнаружения объектов и сегментации. Среди них — популярные модели YOLO от YOLOv3 до YOLOv8, которую впоследствии сменила YOLO26, а также YOLO-NAS и модели SAM. Эти модели предназначены для самых разных задач, включая обнаружение в реальном времени, сегментацию и оценку позы.

Для начала перейди на страницу документации Ultralytics. Там ты найдёшь подробную информацию о каждой модели, включая её основные характеристики, архитектуру и способы использования в скриптах Python.

Настройка окружения#

Сначала убедись, что Ultralytics установлен. Для этого выполни команду:

pip install ultralytics

После этого ты сможешь использовать эти модели в своих проектах. Для начала рассмотрим модель Ultralytics YOLOv8.

Ключевые особенности Ultralytics YOLOv8#

Ultralytics YOLOv8 получила ряд улучшений по сравнению с предыдущими версиями. Модель разработана для более высокой скорости и точности, что делает её подходящей для приложений реального времени. Среди её ключевых особенностей:

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

Запуск Ultralytics YOLOv8 в Python#

Вот как начать работу с Ultralytics YOLOv8 всего несколькими строками кода:

from ultralytics import YOLO

# Загрузка предварительно обученной модели YOLOv8
model = YOLO("yolov8n.pt")

# Запуск инференса на изображении
results = model("path/to/image.jpg")

Готово! Ты только что выполнил инференс изображения с помощью модели YOLOv8. Именно эта простота делает модели Ultralytics такими удобными в использовании.

Детекция в режиме реального времени с веб-камеры#

Хочешь увидеть Ultralytics YOLOv8 в действии на видео с веб-камеры? Вот как это сделать:

from ultralytics import YOLO

# Загрузка предварительно обученной модели YOLOv8
model = YOLO("yolov8n.pt")

# Запуск инференса на видео с веб-камеры (source=0) и отображение результатов
results = model.predict(source=0, show=True)

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

Рис. 1. Николай Нильсен рассказывает, как запускать модели Ultralytics для обнаружения объектов и сегментации.

Другие модели#

Ultralytics поддерживает не только YOLOv8. Также доступны другие модели, например YOLOv5, YOLO-NAS и модели на основе трансформеров для обнаружения объектов в реальном времени. У каждой модели свои сильные стороны и варианты применения.

Модели Transformer и их запуск#

Модель RT-DETR, разработанная Baidu и поддерживаемая Ultralytics, — это современный сквозной детектор объектов, обеспечивающий высокую точность и работу в реальном времени. Для высокой скорости он использует свёрточную базовую сеть и эффективный гибридный кодировщик, отлично работает с CUDA и TensorRT и позволяет гибко регулировать скорость инференса.

Вот как запустить модель RT-DETR:

from ultralytics import RTDETR

# Загрузка модели RT-DETR-l, предварительно обученной на COCO
model = RTDETR("rtdetr-l.pt")

# Запуск инференса на изображении
results = model("path/to/image.jpg")

Модели Segment Anything#

Ultralytics также предлагает модели для сегментации, например MobileSAM и FastSAM. Они предназначены для сегментации всех объектов на изображении и позволяют подробно анализировать сцену.

Запуск FastSAM#

FastSAM оптимизирована для сегментации в реальном времени. Вот как её запустить:

from ultralytics import FastSAM

# Создай модель FastSAM
model = FastSAM("FastSAM-s.pt")  # или FastSAM-x.pt

# Запуск инференса на изображении
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

Эта модель отлично подходит для приложений, которым нужна быстрая и точная сегментация.

Производительность и сравнения#

Полезная возможность экосистемы Ultralytics — сравнивать разные модели бок о бок. Чтобы определить, какая модель лучше подходит для конкретного приложения, можно сравнить такие показатели производительности, как скорость инференса и среднее значение точности (mAP).

Основные выводы#

Ultralytics позволяет запускать модели обнаружения объектов и сегментации всего несколькими строками кода. Ultralytics предлагает решения и для приложений реального времени, и для задач, требующих высокой точности. Чтобы узнать больше и посмотреть примеры, посмотри полное руководство Николая Нильсена на YouTube-канале Ultralytics.

Следи за новыми руководствами и обновлениями от сообщества Ultralytics!