Fondamenti della visione artificiale
Scopri il ragionamento che sta alla base di ogni sistema di visione efficace: definire il problema, scegliere tra i sette task Ultralytics YOLO, verificare dati ed etichette, suddividere i dati in modo corretto e interpretare le metriche, con esempi YOLO26 eseguibili su immagini e dataset reali.
Di Ultralytics Academy
Definisci un problema di visione artificiale, scegli il task e le etichette giuste, verifica che i tuoi dati rispecchino la realtà e stabilisci cosa significa "buono" prima di addestrare.
Trasforma un’idea di prodotto in una specifica del task di tre righe e mantieni le regole di business nel codice, non nel modello.
Associa un output al task corretto tra sette: classificazione, rilevamento, segmentazione di istanze, segmentazione semantica, stima della profondità, posa o OBB.
Interpreta l’output del rilevatore e imposta le soglie di confidenza e IoU in base al costo di ogni errore.
Verifica un dataset reale per individuare lacune nella copertura, etichette errate e immagini quasi duplicate che si disperdono tra le suddivisioni.
Interpreta insieme precisione, richiamo, mAP50-95, AP per classe e matrice di confusione per decidere se pubblicare, iterare o ripensare l’approccio.
Una specifica del task per il tuo progetto, con una regola decisionale scritta in codice sull’output di YOLO26.
Una verifica del dataset e un controllo delle etichette per un dataset reale, con un piano di raccolta prioritizzato.
Un controllo delle fughe di dati e una suddivisione per gruppi che tengono le immagini quasi identiche fuori dalla convalida.
Un resoconto della valutazione che identifica la classe collo di bottiglia e la soglia per la messa in produzione.
Una prima esecuzione di YOLO26 sulle tue immagini, verificata rispetto alla tua specifica.
Non serve esperienza pregressa nella visione artificiale: i concetti sono comprensibili anche da soli.
Facoltativo ma consigliato: Python 3.10+ e
pip install ultralyticsper eseguire gli esempi. Tutto funziona su un laptop con CPU in pochi secondi.
Contenuti del corso
4 moduli · 10 lezioniModulo 1
Modulo 2
I sette task di visione
Associa una riga dell’output a classificazione, rilevamento, segmentazione di istanze, segmentazione semantica, stima della profondità, posa o OBB, quindi scegli i pesi YOLO26 da cui partire.
Scopri il rilevamento degli oggetti
Leggi l'output di un rilevatore — classe, riquadro, confidenza — e imposta le soglie di confidenza e IoU in base al costo di ogni errore.
Box e maschere: quando ti serve davvero la segmentazione
Misura il valore aggiunto di una maschera rispetto a una box su un'immagine reale e decidi, in base all'applicazione a valle, se il tuo progetto ha davvero bisogno della forma.
Stima della posa e OBB
Leggi i keypoint e i riquadri ruotati da YOLO26, definisci una regola basata su ciascuno e riconosci quando il segnale determinante è la postura o l’angolo.
Modulo 3
Dataset che rispecchiano la realtà
Verifica le lacune di copertura in un dataset reale prima di aggiungere altre etichette e trasforma le lacune in un piano di raccolta con hard negative.
Qualità delle annotazioni
Scopri cosa contiene un'etichetta YOLO, controlla i file delle etichette per individuare righe errate e mantieni la coerenza tra gli annotatori con una linea guida e una sessione di calibrazione misurata.
Modulo 4
Suddivisioni che dicono la verità
Individua le immagini quasi duplicate che si infiltrano tra train e validation e suddividi i dati in base all'unità che sarà nuova in fase di distribuzione.
Interpretare correttamente le metriche di rilevamento
Esegui la validazione, leggi insieme precisione, recall, mAP50-95, AP per classe e matrice di confusione, quindi scegli una soglia di deployment a partire da un obiettivo.
Dal laboratorio alla produzione
Installa Ultralytics, esegui YOLO26 sulle tue immagini, confronta il risultato con le tue specifiche e scegli il passo successivo.