Maschere, punti chiave, box ruotati ed etichette di classe: etichettati, addestrati, convertiti in numeri e distribuiti

percorso Professionistaintermedio ~5 ore 10 lezioniEsame finale · Certificato

Oltre il rilevamento: segmentazione, posa, OBB e classificazione

Sai addestrare un rilevatore. Ultralytics YOLO supporta sette attività di visione e questo corso insegna le cinque che incontrerai più spesso dopo il rilevamento: segmentazione di istanze e semantica, posa, box di delimitazione orientati e classificazione; dalle etichette e dall'addestramento alla lettura dei risultati nel codice, alla concatenazione dei modelli e alla valutazione e all'esportazione per ogni attività. La stima della profondità, la settima attività, è inclusa nel piano delle attività e nelle lezioni di valutazione ed esportazione.

Di Ultralytics Academy

Inizia il corso Accedi per salvare i progressi

Cosa imparerai

Scegli l'attività Ultralytics YOLO26 più adatta a una domanda di prodotto, poi etichetta, addestra, analizza, valuta ed esporta modelli di segmentazione, segmentazione semantica, posa, OBB e classificazione; concatenali quindi in pipeline che rispondono a domande a cui un rilevatore non può rispondere.

Associa una domanda di prodotto a una delle sette attività Ultralytics YOLO, ai relativi pesi, al campo dei risultati e alla metrica di riferimento.
Crea e verifica dataset con poligoni, mappe di classi PNG, punti chiave, OBB a quattro angoli e struttura di cartelle prima dell'addestramento.
Addestra i modelli -seg, -sem, -pose, -obb e -cls e leggi la mAP delle maschere, la mIoU, la mAP di pose basata su OKS, la mAP delle bounding box ruotate e l'accuratezza top-1.
Trasforma le previsioni in decisioni: aree e sovrapposizioni delle maschere, copertura delle mappe di classe, angoli delle articolazioni, direzioni delle navi ed etichette instradate in base alla confidenza.
Concatena le attività (rilevamento e poi classificazione, pose e tracking), mantieni costante il loro costo ed esporta ogni attività in ONNX verificando una previsione.

Cosa realizzerai

Un piano delle attività che indica attività, pesi, formato delle etichette, campo dei risultati e metrica di soglia per ogni modello di una pipeline.
Validatori per dataset di segmentazione e pose che rilevano righe malformate prima di consumare un'ora di GPU.
Sessioni di addestramento di un'epoca per segmentazione, segmentazione semantica, pose, OBB e classificazione, con una spiegazione di ogni metrica.
Script che misurano area e sovrapposizione delle maschere, superficie percorribile, angoli di gomiti e ginocchia e assi delle navi a partire da previsioni reali.
Una pipeline a due fasi che classifica una sola volta ogni persona tracciata e esportazioni ONNX di ogni attività, ciascuna verificata con una previsione.

Prerequisiti

Completa Addestra il tuo primo modello YOLO: questo corso presuppone che tu sappia addestrare, convalidare ed eseguire previsioni con un rilevatore.
Hai familiarità con gli array Python e NumPy.
Una GPU è utile ma non indispensabile: tutti gli esempi funzionano su una CPU di laptop con epochs=1 e un imgsz di piccole dimensioni.

Contenuti del corso

4 moduli · 10 lezioni

Modulo 1

Pianifica

Scegli l'attività e pianifica la pipeline

Associa ogni domanda sul prodotto a una delle sette attività Ultralytics YOLO, indicando pesi, campo dei risultati, formato delle etichette e metrica di soglia, e verifica il piano eseguendo ogni attività su un'immagine.

Modulo 2

Segmenta

Etichetta e addestra un modello di segmentazione di istanze

Scrivi etichette poligonali, controllale nel codice, addestra yolo26n-seg.pt su COCO8-seg e diagnostica un modello dalla differenza tra le metriche di bounding box e maschera.

Usa le maschere nel codice: area, sovrapposizione, contorni e ritagli

Leggi correttamente masks.data e masks.xy, misura l'area e il riempimento degli oggetti, verifica le sovrapposizioni usando le maschere anziché le bounding box e ritaglia gli oggetti dall'immagine.

Segmentazione semantica: etichettare ogni pixel

Prevedi una mappa delle classi per pixel con yolo26n-sem.pt, trasformala in valori di copertura, crea dataset di mappe delle classi PNG e interpreta mIoU senza lasciarti ingannare dall'accuratezza dei pixel.

Modulo 3

Pose e OBB

Etichettare e addestrare modelli di posa

Scrivi etichette dei keypoint con visibilità, imposta correttamente kpt_shape e flip_idx, addestra il modello su COCO8-pose e trasforma i keypoint in angoli articolari subordinati a una soglia di confidenza.

Punti chiave personalizzati e metriche OKS

Progetta uno schema di punti chiave per oggetti non umani, scrivi e verifica il relativo YAML del dataset e imposta i valori sigma di OKS in base alla precisione con cui è possibile posizionare ciascun punto.

Riquadri di delimitazione orientati per oggetti ruotati

Etichetta OBB con quattro angoli, addestra yolo26n-obb.pt su DOTA8 e converti le previsioni xywhr in un asse di orientamento stabile senza incappare nelle convenzioni sugli angoli.

Modulo 4

Classifica, combina, spedisci

Addestra un classificatore di immagini

Organizza un dataset in cartelle, addestra yolo26n-cls.pt su MNIST160, leggi le probabilità e l'accuratezza top-1 e invia le predizioni con bassa confidenza a una revisione umana.

Combina le attività in un'unica pipeline

Crea una cascata di rilevamento e classificazione, classifica ogni oggetto tracciato una sola volta invece che a ogni fotogramma e trasforma i keypoint di posa in serie temporali per persona.

Valutare e mettere in produzione ogni attività

Definisci la soglia di accettazione di ogni attività in base alla sua metrica e alla risoluzione di messa in produzione, convalida tutte le attività in un unico ciclo ed esporta ogni modello in ONNX verificando che le predizioni siano corrette.

Get Started

Oltre il rilevamento: segmentazione, posa, OBB e classificazione

Contenuti del corso