Ultralytics YOLO27: Iscriviti alla lista d'attesa.
Get Started
Da pip install a un rilevatore personalizzato pronto per la distribuzione
percorso Fondamentiprincipiante ~4 ore 10 lezioniEsame finale · Certificato

Addestra il tuo primo modello YOLO

Porta Ultralytics YOLO26 da una nuova installazione a un rilevatore personalizzato addestrato, convalidato ed esportato. Eseguirai predizioni sulle immagini, imposterai un dataset reale, addestrerai e diagnosticherai un rilevatore di pillole, eseguirai modelli su video con tracking ed esporterai in ONNX verificando che il risultato corrisponda a PyTorch. Ogni passaggio viene eseguito in Python e tramite CLI, su una CPU di laptop, mostrando l'output reale. La pianificazione, la raccolta e l'etichettatura del dataset sono trattate in Building High-Performance YOLO Datasets.

Di Ultralytics Academy

Inizia il corsoAccedi per salvare i progressi
Cosa imparerai

Addestra, convalida ed esporta un modello Ultralytics YOLO26 su un dataset personalizzato, eseguilo su video e impara a diagnosticare ogni passaggio in caso di problemi, sia da Python sia dalla riga di comando.

  • Installa Ultralytics, verifica quale dispositivo userà ed esegui predizioni con YOLO26 in Python e tramite CLI.

  • Scegli la dimensione del modello in base a un budget di latenza misurato, anziché a una classifica.

  • Organizza un dataset nel formato Ultralytics YOLO, converti le etichette e scrivi un data.yaml che funzioni da qualsiasi posizione.

  • Esegui l'addestramento, la validazione, la ripresa e l'avvio a caldo dei run, quindi trasforma gli artefatti di validazione in un elenco di interventi.

  • Esegui lo streaming e il tracking dei video, poi esporta in ONNX, TensorRT, OpenVINO e altri formati, verificando che l'esportazione corrisponda a PyTorch.

Cosa realizzerai

  • Un dataset di pillole in formato YOLO con un data.yaml che Ultralytics legge senza etichette corrotte.

  • Un rilevatore best.pt addestrato, con i relativi valori di validazione accanto a quelli del modello preaddestrato di riferimento.

  • Uno script video in streaming che conta gli oggetti unici con il tracking e verifica che riesca a mantenere il passo con la frequenza dei fotogrammi.

  • Un'esportazione ONNX i cui rilevamenti e mAP corrispondono al modello PyTorch con impostazioni equivalenti.

Prerequisiti

  • Python 3.10+ e dimestichezza nell'esecuzione di script Python e comandi shell.

  • Non serve una GPU: ogni esempio di questo corso viene eseguito su una CPU di laptop in pochi minuti. Una GPU NVIDIA o Apple Silicon velocizza i run più impegnativi.

  • Consigliato: completa prima Computer Vision Foundations e Building High-Performance YOLO Datasets.

Contenuti del corso

5 moduli · 10 lezioni

Modulo 1

Configurazione
1

Installa Ultralytics

Installa Ultralytics in un ambiente pulito, leggi il report dei controlli di yolo per verificare il dispositivo e convalida la configurazione con una predizione.

Modulo 2

Predici
2

Predici su un'immagine

Esegui da Python un modello YOLO26 preaddestrato, leggi classi, confidenze e riquadri in pixel dai risultati e regola gli argomenti che risolvono la maggior parte dei mancati rilevamenti.

3

Scegli la dimensione di un modello Ultralytics YOLO

Confronta YOLO26 n, s, m, l e x, confrontali con benchmark sul tuo hardware di destinazione e scegli la dimensione più piccola che rientra nel tuo budget di latenza.

Modulo 3

Dati
4

Prepara un dataset personalizzato

Organizza immagini ed etichette nel formato Ultralytics YOLO, converti i riquadri in pixel in righe di etichette normalizzate e individua le etichette non valide prima dell'addestramento.

5

Scrivi un file YAML del dataset

Scrivi data.yaml per indicare a Ultralytics le cartelle e i nomi delle classi, fai in modo che i percorsi siano validi da qualsiasi posizione e verifica il tutto con yolo val.

Modulo 4

Addestramento
6

Addestra il tuo primo modello

Esegui il fine-tuning di YOLO26 sul tuo dataset con una sola chiamata, leggi il log di addestramento in tempo reale riga per riga e individua best.pt e i grafici più importanti nella cartella dell'esecuzione.

7

Convalida e diagnostica

Convalida best.pt rispetto a un valore di riferimento, leggi la matrice di confusione, i valori per classe e le immagini con le predizioni, quindi trasformali in un elenco di correzioni specifiche.

8

Riprendi e itera

Riprendi esattamente un'esecuzione interrotta, avvia una nuova iterazione da best.pt con un tasso di apprendimento effettivamente applicato e confronta le esecuzioni affiancate.

Modulo 5

Distribuisci
9

Esegui l'inferenza sui video

Esegui YOLO26 su file video e telecamere in diretta con memoria limitata, traccia gli oggetti per contarli una sola volta e verifica che il modello riesca a tenere il passo con la frequenza dei fotogrammi.

10

Esporta per la distribuzione

Esporta best.pt in ONNX, OpenVINO, TensorRT, CoreML, LiteRT o QNN, poi verifica che l'esportazione corrisponda al modello PyTorch prima di distribuirla.