Kiểm tra màu xanh lá cây
Liên kết được sao chép vào khay nhớ tạm

Cách đào tạo, xác thực, dự đoán, xuất & điểm chuẩn với Ultralytics YOLO Mô hình

Tìm hiểu cách đào tạo, xác thực, dự đoán, xuất và chuẩn mực với Ultralytics YOLO Các người mẫu!

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

Thông qua Ultralytics Tài liệu, bạn sẽ tìm thấy một số chế độ mà bạn có thể sử dụng cho các mô hình của mình, cho dù đó là để đào tạo, xác thực, dự đoán, xuất, điểm chuẩn hoặc theo dõi. Mỗi chế độ này phục vụ một mục đích duy nhất và giúp bạn tối ưu hóa hiệu suất và triển khai mô hình của mình.

Chế độ tàu hỏa

Đầu tiên chúng ta hãy nhìn vào chế độ tàu. 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 đào tạo các mô hình tùy chỉnh của mình.

Đào tạo mô hình liên quan đến việc cung cấp một mô hình với một tập dữ liệu mới, cho phép nó tìm hiểu các mẫu khác nhau. Sau khi được đào tạo, mô hình có thể được sử dụng trong thời gian thực để phát hiện 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 đi sâu vào chế độ xác thực. Xác thực là điều cần thiết để điều chỉnh các 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 chỉ số 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) với lệnh bên dưới.


yolo detect val model=yolov8n.pt # val official model

Tại sao phải xác thực?

Xác thực là rất quan trọng đối với:

  • Độ chính xác: Đảm bảo mô hình của bạn phát hiện chính xác các đối tượng.
  • Thuận tiện: Hợp lý hóa quy trình xác nhận.
  • 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 Kịch bản. Những ví dụ này bao gồm các thông số như kích thước hình ảnh, kích thước lô, thiết bị (CPU hoặc GPU), và giao lộ qua công đoàn (IoU).

Chế độ dự đoán

Khi mô hình của bạn được đào tạo 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 của bạn đang hoạt động. Chế độ này hoàn hảo để kiểm tra hiệu suất mô hình của bạn trên dữ liệu trong thế giới thực.

Với python Đoạn mã bên dưới, bạn sẽ có thể chạy dự đoán trên hình ảnh của mình!


from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

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

Chế độ xuất khẩu

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 của mình sang nhiều định dạng khác nhau, chẳng hạn như ONNX hoặc TensorRT, giúp triển khai dễ dàng hơn trên các nền tảng khác nhau.

Chế độ điểm chuẩn

Cuối cùng, chúng ta có chế độ điểm chuẩn. Điểm chuẩn 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 quyết định sáng suốt về phân bổ tài nguyên, tối ưu hóa và hiệu quả chi phí.

Làm thế nào để điểm chuẩn

Để chạy điểm chuẩn, bạn có thể sử dụng các ví dụ người dùng được cung cấp trong tài liệu. Các ví dụ này bao gồm các chỉ số 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 dấu phẩy động (FP16) để xem các cài đặt khác nhau ảnh hưởng đến hiệu suất như thế nào.

Ví dụ về điểm chuẩn trong thế giới thực

Hãy xem xét một ví dụ thực tế về điểm chuẩn. Khi chúng tôi điểm 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.

Cho ONNX mô hình, chúng tôi đạt được tốc độ suy luận là 21 mili giây. Thử nghiệm các mô hình này trên một CPU (một Intel i9 thế hệ thứ 13), chúng tôi thấy kết quả khác nhau. TorchScript chạy ở tốc độ 115 mili giây, trong khi ONNX hoạt động tốt hơn ở 84 mili giây. Cuối cùng OpenVINO Tối ưu hóa cho Intel Phần cứng đạt được 23 mili giây.

Hình 1. Nicolai Nielsen trình diễn cách chạy điểm chuẩn với Ultralytics YOLO Mô hình.

Tầm quan trọng của điểm chuẩn

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

Kết thúc

Tóm lại, các chế độ trong Ultralytics Tài liệu là công cụ mạnh mẽ để đào tạo, xác thực, dự đoán, xuất và đo điểm chuẩn của bạn YOLO Mô hình. Mỗi chế độ đóng một vai trò quan trọng trong việc tối ưu hóa mô hình của bạn và chuẩn bị cho việc triển khai.

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

Logo FacebookBiểu trưng TwitterBiểu trưng LinkedInBiểu tượng sao chép liên kết

Đọc thêm trong danh mục này

Hãy xây dựng tương lai
của AI cùng nhau!

Bắt đầu hành trình của bạn với tương lai của machine learning