中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية

Home

Presentazione di Ultralytics YOLO11, l'ultima versione dell'acclamato modello di rilevamento oggetti in tempo reale e segmentazione delle immagini. YOLO11 si basa su progressi all'avanguardia nel deep learning e nella computer vision, offrendo prestazioni senza precedenti in termini di velocità e precisione. Il suo design semplificato lo rende adatto a varie applicazioni e facilmente adattabile a diverse piattaforme hardware, dai dispositivi edge alle API cloud.

Esplora la documentazione di Ultralytics, una risorsa completa progettata per aiutarti a comprendere e utilizzare le sue caratteristiche e capacità. Che tu sia un professionista esperto nel machine learning o un nuovo arrivato nel campo, questo hub mira a massimizzare il potenziale di YOLO nei tuoi progetti.

Da dove iniziare

Guarda: Come addestrare un modello YOLO11 sul tuo set di dati personalizzato in Google Colab.

YOLO: Breve storia

YOLO (You Only Look Once), un popolare modello di object detection e image segmentation, è stato sviluppato da Joseph Redmon e Ali Farhadi presso l'Università di Washington. Lanciato nel 2015, YOLO ha guadagnato popolarità per la sua alta velocità e precisione.

• YOLOv2, rilasciato nel 2016, ha migliorato il modello originale incorporando la normalizzazione batch, le anchor boxes e i dimension clusters.
• YOLOv3, lanciato nel 2018, ha ulteriormente migliorato le prestazioni del modello utilizzando una rete backbone più efficiente, ancore multiple e spatial pyramid pooling.
• YOLOv4 è stato rilasciato nel 2020, introducendo innovazioni come Mosaic data augmentation, una nuova detection head anchor-free e una nuova loss function.
• YOLOv5 ha ulteriormente migliorato le prestazioni del modello e aggiunto nuove funzionalità come l'ottimizzazione degli iperparametri, il tracciamento integrato degli esperimenti e l'esportazione automatica in formati di esportazione popolari.
• YOLOv6 è stato rilasciato come open-source da Meituan nel 2022 ed è utilizzato in molti robot di consegna autonomi dell'azienda.
• YOLOv7 ha aggiunto ulteriori attività come la stima della posa sul dataset COCO keypoints.
• YOLOv8 rilasciato nel 2023 da Ultralytics, ha introdotto nuove funzionalità e miglioramenti per prestazioni, flessibilità ed efficienza avanzate, supportando una gamma completa di attività di visione artificiale.
• YOLOv9 introduce metodi innovativi come Programmable Gradient Information (PGI) e Generalized Efficient Layer Aggregation Network (GELAN).
• YOLOv10 creato da ricercatori della Tsinghua University utilizzando il pacchetto Python Ultralytics, fornisce progressi nell'object detection in tempo reale introducendo un head End-to-End che elimina i requisiti di Non-Maximum Suppression (NMS).
• YOLO11 🚀 NOVITÀ: Gli ultimi modelli YOLO di Ultralytics offrono prestazioni all'avanguardia (SOTA) in molteplici attività, tra cui rilevamento di oggetti, segmentazione, stima della posa, tracking e classificazione, sfruttando le capacità in diverse applicazioni e domini dell'IA.

Licenze YOLO: come viene concesso in licenza Ultralytics YOLO?

Ultralytics offre due opzioni di licenza per soddisfare diversi casi d'uso:

• Licenza AGPL-3.0: Questa licenza open source approvata da OSI è ideale per studenti e appassionati, promuovendo la collaborazione aperta e la condivisione della conoscenza. Consulta il file LICENSE per maggiori dettagli.
• Licenza Enterprise: Progettata per l'uso commerciale, questa licenza consente l'integrazione perfetta del software Ultralytics e dei modelli di intelligenza artificiale in beni e servizi commerciali, aggirando i requisiti open source di AGPL-3.0. Se il tuo scenario prevede l'incorporazione delle nostre soluzioni in un'offerta commerciale, contattaci tramite Ultralytics Licensing.

La nostra strategia di licenza è pensata per garantire che qualsiasi miglioramento ai nostri progetti open source venga restituito alla comunità. Abbiamo a cuore i principi dell'open source ❤️ e la nostra missione è garantire che i nostri contributi possano essere utilizzati ed ampliati in modi che siano vantaggiosi per tutti.

L'evoluzione dell'object detection

Il rilevamento di oggetti si è evoluto significativamente nel corso degli anni, dalle tradizionali tecniche di computer vision ai modelli avanzati di deep learning. La famiglia di modelli YOLO è stata in prima linea in questa evoluzione, spingendo costantemente i confini di ciò che è possibile nel rilevamento di oggetti in tempo reale.

L'approccio unico di YOLO considera il rilevamento degli oggetti come un singolo problema di regressione, prevedendo bounding box e probabilità di classe direttamente dalle immagini complete in una singola valutazione. Questo metodo rivoluzionario ha reso i modelli YOLO significativamente più veloci rispetto ai precedenti rilevatori a due stadi, pur mantenendo un'elevata accuratezza.

Con ogni nuova versione, YOLO ha introdotto miglioramenti architetturali e tecniche innovative che hanno migliorato le prestazioni in varie metriche. YOLO11 continua questa tradizione incorporando gli ultimi progressi nella ricerca sulla computer vision, offrendo compromessi velocità-accuratezza ancora migliori per le applicazioni del mondo reale.

FAQ

Cos'è Ultralytics YOLO e come migliora il rilevamento degli oggetti?

Ultralytics YOLO è l'ultima evoluzione dell'acclamata serie YOLO (You Only Look Once) per il rilevamento di oggetti in tempo reale e la segmentazione delle immagini. Si basa sulle versioni precedenti introducendo nuove funzionalità e miglioramenti per prestazioni, flessibilità ed efficienza superiori. YOLO supporta varie attività di vision AI come il rilevamento, la segmentazione, la stima della posa, il tracciamento e la classificazione. La sua architettura all'avanguardia garantisce velocità e precisione superiori, rendendolo adatto a diverse applicazioni, inclusi i dispositivi edge e le API cloud.

Come posso iniziare con l'installazione e la configurazione di YOLO?

Iniziare con YOLO è semplice e veloce. Puoi installare il pacchetto Ultralytics usando pip ed essere operativo in pochi minuti. Ecco un comando di installazione di base:

pip install ultralytics

Per una guida completa dettagliata, visita la nostra pagina di Avvio rapido. Questa risorsa ti aiuterà con le istruzioni di installazione, la configurazione iniziale e l'esecuzione del tuo primo modello.

Come posso addestrare un modello YOLO personalizzato sul mio set di dati?

L'addestramento di un modello YOLO personalizzato sul tuo set di dati prevede alcuni passaggi dettagliati:

1. Prepara il tuo set di dati annotato.
2. Configura i parametri di addestramento in un file YAML.
3. Utilizzare il yolo TASK train comando per avviare l'addestramento. (Ogni TASK ha il suo argomento)

Ecco un codice di esempio per l'attività di rilevamento oggetti:

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

# Train a YOLO model from the command line
yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640

Per una guida dettagliata, consulta la nostra guida Addestra un modello, che include esempi e suggerimenti per ottimizzare il processo di addestramento.

Quali sono le opzioni di licenza disponibili per Ultralytics YOLO?

Ultralytics offre due opzioni di licenza per YOLO:

• Licenza AGPL-3.0: Questa licenza open source è ideale per l'uso didattico e non commerciale, promuovendo la collaborazione aperta.
• Licenza Enterprise: Questa è progettata per applicazioni commerciali, consentendo una perfetta integrazione del software Ultralytics in prodotti commerciali senza le restrizioni della licenza AGPL-3.0.

Per maggiori dettagli, visita la nostra pagina Licenze.

Come può Ultralytics YOLO essere utilizzato per il tracciamento di oggetti in tempo reale?

Ultralytics YOLO supporta il tracciamento multi-oggetto efficiente e personalizzabile. Per utilizzare le funzionalità di tracciamento, puoi utilizzare il yolo track comando, come mostrato di seguito:

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4

Per una guida dettagliata sulla configurazione e l'esecuzione del tracciamento degli oggetti, consulta la nostra documentazione sulla Modalità Track, che spiega la configurazione e le applicazioni pratiche in scenari in tempo reale.

📅 Creato 1 anno fa ✏️ Aggiornato 1 mese fa

Commenti