भागना Ultralytics कोड की कुछ पंक्तियों में ऑब्जेक्ट डिटेक्शन और सेगमेंटेशन मॉडल

एक और ब्लॉगपोस्ट में आपका स्वागत है जहां हम की क्षमताओं में गोता लगाएँगे Ultralytics' YOLOv5 और YOLOv8 मॉडल जब ऑब्जेक्ट डिटेक्शन और सेगमेंटेशन की बात आती है। हम यह पता लगाएंगे कि कोड की कुछ पंक्तियों के साथ इन उपयोग में आसान मॉडल को अपनी परियोजनाओं में कैसे एकीकृत किया जाए। चाहे आप नौसिखिए हों या अनुभवी डेवलपर, आप देखेंगे कि कैसे Ultralytics विभिन्न मॉडलों और आर्किटेक्चर का समर्थन करता है, जिसमें विभिन्न शामिल हैं YOLO संस्करण और ट्रांसफार्मर-आधारित मॉडल। 

अपने वीडियो में निकोलाई नीलसन हमें विभिन्न मॉडलों को स्थापित करने और उपयोग करने की प्रक्रिया के माध्यम से चलता है Ultralytics ढांचा। आइए इसे चरण-दर-चरण तोड़ें और देखें कि आप इन अविश्वसनीय उपकरणों के साथ कैसे शुरुआत कर सकते हैं।

के साथ शुरू करना Ultralytics मॉडल

Ultralytics एक व्यापक ढांचा प्रदान करता है जो कई ऑब्जेक्ट डिटेक्शन और सेगमेंटेशन मॉडल का समर्थन करता है। इसमें लोकप्रिय शामिल हैं YOLO मॉडल, YOLOv3 से लेकर नवीनतम तक YOLOv8, साथ ही YOLO-NAS और SAM मॉडल। इन मॉडलों को विभिन्न प्रकार के कार्यों को संभालने के लिए डिज़ाइन किया गया है जैसे कि वास्तविक समय का पता लगाने, विभाजन और मुद्रा अनुमान।

शुरू करने के लिए, पर जाएँ Ultralytics दस्तावेज़ीकरण पृष्ठ। यहां, आप प्रत्येक मॉडल के बारे में विस्तृत जानकारी प्राप्त कर सकते हैं, जिसमें उनकी प्रमुख विशेषताएं, आर्किटेक्चर और उनका उपयोग कैसे करना है। Python स्क्रिप्ट।

अपना वातावरण स्थापित करना

सबसे पहले, सुनिश्चित करें कि आपके पास है Ultralytics स्थापित। आप इसे चलाकर कर सकते हैं:

bash

कोड कॉपी करें

pip install ultralytics

एक बार यह हो जाने के बाद, आप अपनी परियोजनाओं में इन मॉडलों का उपयोग शुरू कर सकते हैं। चलो के साथ शुरू करते हैं YOLOv8 एक उदाहरण के रूप में मॉडल।

की मुख्य विशेषताएं YOLOv8

YOLOv8 अपने पूर्ववर्तियों की तुलना में कई संवर्द्धन के साथ आता है। इसे तेज़ और अधिक सटीक होने के लिए डिज़ाइन किया गया है, जो इसे रीयल-टाइम अनुप्रयोगों के लिए एकदम सही बनाता है। कुछ प्रमुख विशेषताओं में शामिल हैं: 

• बढ़ी हुई गति और सटीकता
• कई कार्यों के लिए पूर्व-प्रशिक्षित वजन
• ऑब्जेक्ट का पता लगाने, विभाजन और वर्गीकरण के लिए समर्थन
• बेहतर प्रदर्शन के लिए बेहतर मॉडल आर्किटेक्चर

भागना YOLOv8 में Python

यहां बताया गया है कि आप कैसे शुरुआत कर सकते हैं YOLOv8 कोड की कुछ पंक्तियों में:

कोड कॉपी करें

# Copy code
import ultralytics
model = ultralytics.YOLO('yolov8')
results = model.predict('path/to/your/image.jpg')
results.show()

बस! आपने अभी-अभी एक YOLOv8 एक छवि पर मॉडल। यह सादगी ही बनाती है Ultralytics मॉडल इतने शक्तिशाली और उपयोगकर्ता के अनुकूल।

लाइव वेबकैम डिटेक्शन

देखना चाहते हैं YOLOv8 लाइव वेबकैम फ़ीड पर कार्रवाई में? यहां बताया गया है कि आप इसे कैसे कर सकते हैं:

python

कोड कॉपी करें

# Copy code
import ultralytics
model = ultralytics.YOLO('yolov8')
# Open a live webcam feed
cap = cv2.VideoCapture(0)
while True:
	ret, frame = cap.read()
	if not ret:
		break
	results = model.predict(frame)
	results.show()
	if cv2.waitKey(1) & 0xFF == ord('q'):
		break
cap.release()
cv2.destroyAllWindows()

‍

‍

इस स्क्रिप्ट अपने वेब कैमरा खोलने के लिए और लागू करेंगे YOLOv8 वास्तविक समय में वस्तुओं का पता लगाने के लिए मॉडल।

अन्य मॉडलों की खोज

Ultralytics बस पर नहीं रुकता YOLOv8. वे विभिन्न अन्य मॉडलों का भी समर्थन करते हैं जैसे YOLOv5, YOLO-NAS, और वास्तविक समय का पता लगाने के लिए ट्रांसफार्मर आधारित मॉडल। प्रत्येक मॉडल की अपनी ताकत और उपयोग के मामले होते हैं।

ट्रांसफार्मर मॉडल और उन्हें कैसे चलाएं

वही RT-DETR Baidu द्वारा विकसित मॉडल और द्वारा समर्थित Ultralytics, एक अत्याधुनिक, एंड-टू-एंड ऑब्जेक्ट डिटेक्टर है जो वास्तविक समय के प्रदर्शन और उच्च सटीकता प्रदान करता है। यह वास्तविक समय की गति के लिए एक कन्व-आधारित बैकबोन और एक कुशल हाइब्रिड एनकोडर का उपयोग करता है, जो CUDA पर उत्कृष्ट है TensorRT, और लचीले अनुमान गति समायोजन का समर्थन करता है।

यहां बताया गया है कि आप एक RT-DETR को गढ़ना:

कोड कॉपी करें

from Ultralytics import YOLO
# Load a pretrained YOLOv8n model
model = YOLO("rtdetr-l.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("bus.jpg", save=True, imgsz=320, conf=0.5)

"सेगमेंट एनीथिंग मॉडल

Ultralytics विभाजन कार्यों के लिए मॉडल भी प्रदान करता है, जैसे MobileSAM और FastSAM. इन मॉडलों को एक छवि में सब कुछ विभाजित करने के लिए डिज़ाइन किया गया है, जो दृश्य में विस्तृत अंतर्दृष्टि प्रदान करता है।

भागना FastSAM

FastSAM वास्तविक समय विभाजन के लिए अनुकूलित है, और यहां बताया गया है कि आप इसे कैसे चला सकते हैं:

कोड कॉपी करें

import ultralytics
model = ultralytics.SAM("FastSAM-s.pt")
results = model.predict('path/to/your/image.jpg')
results.show()

यह मॉडल उन अनुप्रयोगों के लिए एकदम सही है जिन्हें त्वरित और सटीक विभाजन की आवश्यकता होती है।

प्रदर्शन और तुलना

की महान विशेषताओं में से एक Ultralytics फ्रेमवर्क विभिन्न मॉडलों की साथ-साथ तुलना करने की क्षमता है। आप आसानी से यह निर्धारित कर सकते हैं कि कौन सा मॉडल आपके विशिष्ट एप्लिकेशन के लिए सबसे अच्छा काम करता है, जैसे कि प्रदर्शन मीट्रिक जैसे कि अनुमान गति और औसत परिशुद्धता (एमएपी) को देखकर।

मुख्य टेकअवेज

Ultralytics कोड की कुछ पंक्तियों के साथ ऑब्जेक्ट डिटेक्शन और सेगमेंटेशन मॉडल चलाना अविश्वसनीय रूप से आसान बनाता है। चाहे आप रीयल-टाइम अनुप्रयोगों पर काम कर रहे हों या उच्च-सटीक मॉडल की आवश्यकता हो, Ultralytics आपके लिए एक समाधान है। निकोलाई नीलसन का पूरा ट्यूटोरियल देखना सुनिश्चित करें Ultralytics अधिक गहन जानकारी और उदाहरणों के लिए YouTube चैनल।

से अधिक ट्यूटोरियल और अपडेट के लिए बने रहें Ultralytics समुदाय!

‍