Lopend Ultralytics Objectdetectie- en segmentatiemodellen in een paar regels code

Welkom bij een nieuwe blogpost waarin we dieper ingaan op de mogelijkheden van Ultralytics' YOLOv5 en YOLOv8 modellen als het gaat om objectdetectie en segmentatie. We zullen onderzoeken hoe je deze eenvoudig te gebruiken modellen in je projecten kunt integreren met slechts een paar regels code. Of je nu een beginner bent of een ervaren ontwikkelaar, je zult zien hoe Ultralytics verschillende modellen en architecturen ondersteunt, waaronder verschillende YOLO versies en transformer-gebaseerde modellen. 

In zijn video leidt Nicolai Nielsen ons door het proces van het opzetten en gebruiken van verschillende modellen binnen het Ultralytics framework. Laten we het stap voor stap uitwerken en kijken hoe je aan de slag kunt met deze ongelofelijke tools.

Aan de slag met Ultralytics modellen

Ultralytics biedt een uitgebreid raamwerk dat meerdere objectdetectie- en segmentatiemodellen ondersteunt. Dit omvat de populaire YOLO modellen, variërend van YOLOv3 tot de nieuwste YOLOv8, evenals YOLO-NAS en SAM modellen. Deze modellen zijn ontworpen om een verscheidenheid aan taken uit te voeren, zoals realtime detectie, segmentatie en pose-schatting.

Ga om te beginnen naar de Ultralytics documentatiepagina. Hier kun je gedetailleerde informatie vinden over elk model, inclusief hun belangrijkste eigenschappen, architecturen en hoe je ze kunt gebruiken in je Python scripts.

Je omgeving instellen

Zorg er eerst voor dat Ultralytics geïnstalleerd is. Je kunt dit doen door

bash

Code kopiëren

pip install ultralytics

Zodra dit is gebeurd, kun je deze modellen gaan gebruiken in je projecten. Laten we beginnen met het YOLOv8 model als voorbeeld.

Belangrijkste kenmerken van YOLOv8

YOLOv8 heeft een aantal verbeteringen ten opzichte van zijn voorgangers. Het is ontworpen om sneller en nauwkeuriger te zijn, waardoor het perfect is voor real-time toepassingen. Enkele belangrijke functies zijn: 

• Verbeterde snelheid en nauwkeurigheid
• Voorgetrainde gewichten voor meerdere taken
• Ondersteuning voor objectdetectie, segmentatie en classificatie
• Verbeterde modelarchitectuur voor betere prestaties

YOLOv8 uitvoeren in Python

Hier lees je hoe je aan de slag kunt met YOLOv8 in slechts een paar regels code:

Code kopiëren

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

Dat is het! Je hebt zojuist een YOLOv8 model op een afbeelding uitgevoerd. Deze eenvoud maakt Ultralytics modellen zo krachtig en gebruiksvriendelijk.

Detectie live webcam

Wil je YOLOv8 in actie zien op een live webcamfeed? Dit is hoe je dat kunt doen:

python

Code kopiëren

# 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()

‍

‍

Dit script opent je webcam en past het YOLOv8 model toe om objecten in realtime te detecteren.

Andere modellen verkennen

Ultralytics stopt niet alleen bij YOLOv8. Ze ondersteunen ook verschillende andere modellen zoals YOLOv5, YOLO-NAS, en transformer-gebaseerde modellen voor real-time detectie. Elk model heeft zijn eigen sterke punten en gebruikssituaties.

Transformatormodellen en hoe ze werken

Het RT-DETR model, ontwikkeld door Baidu en ondersteund door Ultralytics, is een geavanceerde end-to-end objectdetector die realtime prestaties en hoge nauwkeurigheid biedt. Het gebruikt een conv-gebaseerde backbone en een efficiënte hybride encoder voor realtime snelheid, blinkt uit op CUDA met TensorRT en ondersteunt flexibele aanpassing van de inferentiesnelheid.

Hier lees je hoe je een RT-DETR model kunt uitvoeren:

Code kopiëren

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)

"Segment Anything Modellen

Ultralytics biedt ook modellen voor segmentatietaken, zoals MobileSAM en FastSAM. Deze modellen zijn ontworpen om alles in een afbeelding te segmenteren, waardoor gedetailleerde inzichten in de scène worden verkregen.

Hardlopen FastSAM

FastSAM is geoptimaliseerd voor real-time segmentatie en hier lees je hoe je het kunt uitvoeren:

Code kopiëren

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

Dit model is perfect voor toepassingen die een snelle en nauwkeurige segmentatie vereisen.

Prestaties en vergelijkingen

Een van de geweldige functies van het Ultralytics framework is de mogelijkheid om verschillende modellen naast elkaar te vergelijken. Je kunt eenvoudig bepalen welk model het beste werkt voor jouw specifieke toepassing door te kijken naar prestatiecijfers zoals inferentiesnelheid en gemiddelde gemiddelde precisie (mAP).

Belangrijkste aandachtspunten

Ultralytics maakt het ongelooflijk eenvoudig om objectdetectie en segmentatiemodellen uit te voeren met slechts een paar regels code. Of je nu werkt aan realtime toepassingen of modellen met hoge precisie nodig hebt, Ultralytics heeft een oplossing voor je. Bekijk zeker de volledige tutorial van Nicolai Nielsen op het Ultralytics YouTube kanaal voor meer diepgaande informatie en voorbeelden.

Blijf kijken voor meer tutorials en updates van de Ultralytics community!

‍