Запуск моделей обнаружения и сегментации объектов Ultralytics в нескольких строках кода

Нувола Лади

3 мин. чтения

27 июня 2024 г.

Пошаговое руководство по запуску моделей обнаружения и сегментации объектов Ultralytics с помощью нескольких строк кода.

Добро пожаловать в очередной блог-пост, в котором мы погрузимся в изучение возможностей моделей YOLOv5 и YOLOv8 от Ultralytics при обнаружении и сегментации объектов . Мы рассмотрим, как интегрировать эти простые в использовании модели в ваши проекты с помощью всего нескольких строк кода. Независимо от того, новичок вы или опытный разработчик, вы увидите, как Ultralytics поддерживает различные модели и архитектуры, включая различные версии YOLO и модели на основе трансформаторов. 

В своем видео Николай Нильсен рассказывает о процессе настройки и использования различных моделей в рамках Ultralytics. Давайте разберем этот процесс шаг за шагом и посмотрим, как вы можете начать работу с этими невероятными инструментами.

Начало работы с моделями Ultralytics

Ultralytics предлагает комплексный фреймворк, поддерживающий множество моделей обнаружения и сегментации объектов. В их число входят популярные модели YOLO, начиная с YOLOv3 и заканчивая новейшей YOLOv8, а также модели YOLO-NAS и SAM. Эти модели предназначены для решения различных задач, таких как обнаружение, сегментация и оценка положения в режиме реального времени.

Для начала посетите страницу документации Ultralytics. Здесь вы найдете подробную информацию о каждой модели, включая их ключевые особенности, архитектуру и способы использования в сценариях на Python.

Настройка среды

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

bash

Копировать код

Как только это будет сделано, вы сможете начать использовать эти модели в своих проектах. Давайте начнем с модели YOLOv8 в качестве примера.

Ключевые особенности YOLOv8

YOLOv8 имеет ряд усовершенствований по сравнению со своими предшественниками. Он разработан для повышения скорости и точности, что делает его идеальным для приложений, работающих в режиме реального времени. Некоторые ключевые особенности включают: 

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

Запуск YOLOv8 в Python

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

Копировать код

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

Обнаружение веб-камеры в реальном времени

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

python

Копировать код

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

__wf_reserved_inherit
Рис. 1. Николай Нильсен рассказывает о том, как запускать модели обнаружения и сегментации объектов Ultralytics.

Изучение других моделей

Ultralytics не ограничивается только YOLOv8. Они также поддерживают различные другие модели, такие как YOLOv5, YOLO-NAS и модели на основе трансформаторов для обнаружения в режиме реального времени. У каждой модели есть свои сильные стороны и варианты использования.

Модели трансформаторов и способы их запуска

Модель RT-DETR, разработанная компанией Baidu и поддерживаемая Ultralytics, представляет собой современный комплексный детектор объектов, обеспечивающий производительность в реальном времени и высокую точность. Она использует основу на базе conv и эффективный гибридный кодировщик для скорости работы в реальном времени, превосходит CUDA с TensorRT и поддерживает гибкую настройку скорости вывода.

Вот как можно запустить модель RT-DETR:

Копировать код

Сегмент Любые модели

Ultralytics также предлагает модели для задач сегментации, такие как MobileSAM и FastSAM. Эти модели предназначены для сегментации всего, что есть на изображении, обеспечивая детальное понимание сцены.

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 сравнение

Одна из замечательных особенностей фреймворка Ultralytics - возможность сравнивать различные модели между собой. Вы можете легко определить, какая модель лучше всего подходит для вашего конкретного приложения, посмотрев на такие показатели производительности, как скорость вывода и средняя точность (mAP).

Основные выводы

Ultralytics позволяет невероятно легко запускать модели обнаружения и сегментации объектов с помощью всего нескольких строк кода. Работаете ли вы над приложениями в реальном времени или нуждаетесь в высокоточных моделях, Ultralytics предлагает вам подходящее решение. Обязательно ознакомьтесь с полным руководством Николая Нильсена на YouTube-канале Ultralytics для получения более подробной информации и примеров.

Следите за дальнейшими уроками и обновлениями от сообщества Ultralytics!

Давайте вместе построим будущее
искусственного интеллекта!

Начните свое путешествие в будущее машинного обучения

Начните бесплатно
Ссылка копируется в буфер обмена