Cách đào tạo, xác thực, dự đoán, xuất và chuẩn mực với Ultralytics YOLO các mô hình

Hãy cùng khám phá thế giới của Ultralytics và khám phá các chế độ khác nhau có sẵn cho các YOLO Mô hình. Cho dù bạn đang đào tạo các mô hình phát hiện đối tượng tùy chỉnh hay đang xử lý phân đoạn , việc hiểu các chế độ này là một bước quan trọng. Hãy cùng bắt đầu ngay!

Thông qua Ultralytics Tài liệu hướng dẫn, bạn sẽ tìm thấy một số chế độ có thể sử dụng cho mô hình của mình, cho dù đó là để huấn luyện , xác thực , dự đoán , xuất , đánh giá chuẩn hay track . Mỗi chế độ này đều có mục đích riêng và giúp bạn tối ưu hóa hiệu suất và triển khai mô hình.

Chế độ huấn luyện

Đầu tiên, hãy xem chế độ huấn luyện. Đây là nơi bạn xây dựng và tinh chỉnh mô hình của mình. Bạn có thể tìm thấy hướng dẫn chi tiết và hướng dẫn bằng video trong tài liệu, giúp bạn dễ dàng bắt đầu huấn luyện các mô hình tùy chỉnh của mình.

Việc huấn luyện mô hình bao gồm việc cung cấp cho mô hình một tập dữ liệu mới, cho phép nó học được nhiều mẫu khác nhau. Sau khi được huấn luyện, mô hình có thể được sử dụng theo thời gian thực để detect các đối tượng mới mà nó đã được đào tạo. Trước khi bắt đầu quá trình đào tạo, điều cần thiết là phải chú thích tập dữ liệu của bạn trong YOLO định dạng.

Chế độ xác thực

Tiếp theo, hãy cùng tìm hiểu sâu hơn về chế độ xác thực. Xác thực rất cần thiết để tinh chỉnh siêu tham số và đảm bảo mô hình của bạn hoạt động tốt. Ultralytics cung cấp nhiều tùy chọn xác thực, bao gồm cài đặt tự động, hỗ trợ đa số liệu và khả năng tương thích với Python API. Bạn thậm chí có thể chạy xác thực trực tiếp thông qua giao diện dòng lệnh ( CLI ) bằng lệnh bên dưới.

Tại sao cần xác thực?

Xác thực rất quan trọng vì:

• Độ chính xác (Precision): Đảm bảo mô hình của bạn phát hiện các đối tượng một cách chính xác.
  ‍
• Tiện lợi: Đơn giản hóa quy trình xác thực.
  ‍
• Tính linh hoạt: Cung cấp nhiều phương pháp xác thực.
  ‍
• Điều chỉnh siêu tham số: Tối ưu hóa mô hình của bạn để có hiệu suất tốt hơn.

Ultralytics cũng cung cấp các ví dụ người dùng mà bạn có thể sao chép và dán vào Python Các tập lệnh. Các ví dụ này bao gồm các tham số như kích thước hình ảnh, kích thước lô, thiết bị ( CPU hoặc GPU ), và giao điểm trên hợp ( IoU ).

Chế độ dự đoán

Sau khi mô hình của bạn được huấn luyện và xác thực, đã đến lúc đưa ra dự đoán. Chế độ Dự đoán cho phép bạn chạy suy luận trên dữ liệu mới và xem mô hình hoạt động. Chế độ này hoàn hảo để kiểm tra hiệu suất của mô hình trên dữ liệu thực tế.

Với python đoạn mã bên dưới giúp bạn có thể chạy dự đoán trên hình ảnh của mình!

Chế độ xuất

Sau khi xác thực và dự đoán, bạn có thể muốn triển khai mô hình của mình. Chế độ xuất cho phép bạn chuyển đổi mô hình sang nhiều định dạng khác nhau, chẳng hạn như ONNX hoặc TensorRT , giúp triển khai dễ dàng hơn trên nhiều nền tảng khác nhau.

Chế độ điểm chuẩn

Cuối cùng, chúng ta có chế độ benchmark. Đánh giá benchmark là điều cần thiết để đánh giá hiệu suất mô hình của bạn trong các tình huống khác nhau. Chế độ này giúp bạn đưa ra các quyết định sáng suốt về phân bổ tài nguyên, tối ưu hóa và hiệu quả chi phí.

Cách đánh giá hiệu năng (benchmark)

Để chạy chuẩn, bạn có thể sử dụng các ví dụ người dùng được cung cấp trong tài liệu. Các ví dụ này bao gồm các số liệu chính và định dạng xuất, bao gồm: ONNX Và TensorRT . Bạn cũng có thể chỉ định các tham số như lượng tử hóa số nguyên (INT8) hoặc lượng tử hóa số dấu phẩy động (FP16) để xem các cài đặt khác nhau ảnh hưởng đến hiệu suất như thế nào.

Ví dụ về đánh giá hiệu năng thực tế

Hãy cùng xem một ví dụ thực tế về đánh giá chuẩn. Khi chúng ta đánh giá chuẩn PyTorch mô hình, chúng tôi nhận thấy tốc độ suy luận là 68 mili giây trên RTX 3070 GPU . Sau khi xuất sang TorchScript , tốc độ suy luận giảm xuống còn 4 mili giây, cho thấy sự cải thiện đáng kể.

Vì ONNX các mô hình, chúng tôi đạt được tốc độ suy luận là 21 mili giây. Kiểm tra các mô hình này trên một CPU (MỘT Intel i9 thế hệ thứ 13), chúng tôi thấy nhiều kết quả khác nhau. TorchScript chạy ở 115 mili giây, trong khi ONNX hoạt động tốt hơn ở mức 84 mili giây. Cuối cùng, OpenVINO được tối ưu hóa cho Intel phần cứng đạt tốc độ cực nhanh là 23 mili giây.

Tầm quan trọng của việc đánh giá hiệu năng (benchmarking)

Đánh giá điểm chuẩn cho thấy các phần cứng và định dạng xuất khác nhau có thể ảnh hưởng đến hiệu suất của mô hình của bạn như thế nào. Điều quan trọng là phải đánh giá điểm chuẩn cho các mô hình của bạn, đặc biệt nếu bạn định triển khai chúng trên phần cứng tùy chỉnh hoặc thiết bị biên. Quá trình này đảm bảo mô hình của bạn được tối ưu hóa cho môi trường mục tiêu, mang lại hiệu suất tốt nhất có thể.

Kết luận

Tóm lại, các chế độ trong Ultralytics tài liệu là những công cụ mạnh mẽ để đào tạo, xác thực, dự đoán, xuất khẩu và đánh giá chuẩn mực của bạn YOLO mô hình. Mỗi chế độ đóng vai trò quan trọng trong việc tối ưu hóa mô hình của bạn và chuẩn bị triển khai.

Đừng quên khám phá và tham gia cộng đồng của chúng tôi và thử các đoạn mã được cung cấp trong dự án của bạn. Với những công cụ này, bạn có thể tạo ra các mô hình hiệu suất cao và đảm bảo chúng chạy hiệu quả trong mọi môi trường.