Ultralytics YOLO27: Встать в лист ожидания.
Get Started
Маски, ключевые точки, повёрнутые рамки и метки классов — разметка, обучение, преобразование в числа и выпуск
Траектория обучения: Практиксредний ~5 часов 10 уроковИтоговый экзамен · Сертификат

За пределами детекции: сегментация, поза, OBB и классификация

Ты умеешь обучать детектор. Ultralytics YOLO поддерживает семь задач компьютерного зрения, и на этом курсе ты освоишь пять наиболее распространённых после детекции: сегментацию экземпляров и семантическую сегментацию, оценку позы, ориентированные ограничивающие рамки и классификацию. Ты пройдёшь путь от формата разметки и обучения до чтения результатов в коде, объединения моделей в цепочки, а также оценки и экспорта для каждой задачи. Оценка глубины — седьмая задача — входит в план курса и рассматривается в уроках по оценке и экспорту.

Автор Ultralytics Academy

Начать курсВойди, чтобы сохранять прогресс
Чему ты научишься

Выбери подходящую задачу Ultralytics YOLO26 для решения продуктовой задачи, а затем размечай данные, обучай модели сегментации, семантической сегментации, позы, OBB и классификации, анализируй результаты, оценивай модели и экспортируй их. Объединяй модели в конвейеры, чтобы решать задачи, с которыми не справится детектор.

  • Связывай продуктовую задачу с одной из семи задач Ultralytics YOLO, её весами, полем результата и метрикой для принятия решения.

  • Создавай и проверяй наборы данных с полигонами, картами классов PNG, ключевыми точками, четырьмя углами OBB и правильной структурой папок перед обучением.

  • Обучи модели -seg, -sem, -pose, -obb и -cls и изучи mask mAP, mIoU, pose mAP на основе OKS, mAP для повёрнутых рамок и точность top-1.

  • Превращай предсказания в решения: площади и перекрытия масок, покрытие карты классов, углы суставов, курсы судов и метки, назначенные с учётом уверенности модели.

  • Связывай задачи в цепочки (детекция, затем классификация; поза плюс трекинг), удерживай их стоимость на одном уровне и экспортируй каждую задачу в ONNX, проверяя результат предсказанием.

Что ты создашь

  • План задач, в котором для каждой модели в конвейере указаны задача, веса, формат разметки, поле результата и метрика для принятия решения.

  • Валидаторы датасетов сегментации и позы, которые выявляют некорректные строки до того, как будет потрачен час GPU.

  • Обучение в течение одной эпохи для сегментации, семантической сегментации, позы, OBB и классификации с пояснением каждой метрики.

  • Скрипты, которые по реальным предсказаниям измеряют площадь и перекрытие масок, проходимую поверхность, углы локтей и коленей и оси судов.

  • Двухэтапный конвейер, который классифицирует каждого отслеживаемого человека один раз, и экспорт в ONNX для каждой задачи, проверенный предсказанием.

Предварительные требования

  • Пройди курс Обучи свою первую модель YOLO: предполагается, что ты уже умеешь обучать модель-детектор, валидировать её и получать предсказания.

  • Уверенно работай с Python и массивами NumPy.

  • GPU желателен, но не обязателен: все примеры запускаются на CPU ноутбука с epochs=1 и небольшой imgsz.

Содержание курса

4 модулей · 10 уроков

Модуль 1

План
1

Выбери задачу и спланируй конвейер

Свяжи каждый вопрос о продукте с одной из семи задач Ultralytics YOLO, указав веса, поле результата, формат разметки и метрику для принятия решения, а затем подтверди план, запустив каждую задачу на одном изображении.

Модуль 2

Сегментация
2

Разметка и обучение модели сегментации экземпляров

Создай полигональную разметку, проверь её в коде, обучи yolo26n-seg.pt на COCO8-seg и диагностируй модель по разнице между метриками ограничивающих рамок и масок.

3

Использование масок в коде: площадь, перекрытие, контуры и вырезки

Научись правильно считывать masks.data и masks.xy, измерять площадь и заполнение объектов, проверять перекрытия с помощью масок, а не рамок, и вырезать объекты из кадра.

4

Семантическая сегментация: разметка каждого пикселя

Предсказывай карту классов для каждого пикселя с помощью yolo26n-sem.pt, преобразуй её в показатели покрытия, создавай наборы данных с картами классов PNG и анализируй mIoU, не поддаваясь обманчивым значениям точности по пикселям.

Модуль 3

Поза и OBB
5

Разметка и обучение моделей поз

Создавай разметку ключевых точек с указанием видимости, правильно задавай kpt_shape и flip_idx, обучайся на COCO8-pose и преобразуй ключевые точки в углы суставов с порогом уверенности.

6

Пользовательские ключевые точки и метрики OKS

Спроектируй схему ключевых точек для объектов, не являющихся людьми, создай и проверь YAML-файл датасета, а также задай сигмы OKS в соответствии с точностью, с которой можно расположить каждую точку.

7

Ориентированные рамки для повёрнутых объектов

Размечай OBB по четырём углам, обучи yolo26n-obb.pt на DOTA8 и преобразуй предсказания xywhr в устойчивую ось ориентации, не запутавшись в соглашениях об углах.

Модуль 4

Классифицируй, объединяй, отправляй
8

Обучи классификатор изображений

Подготовь датасет в виде папок, обучи yolo26n-cls.pt на MNIST160, считай вероятности и точность top-1, а предсказания с низкой уверенностью направляй на проверку человеком.

9

Объединение задач в один конвейер

Создай каскад «детекция, затем классификация», классифицируй каждый отслеживаемый объект один раз, а не в каждом кадре, и преобразуй ключевые точки позы в временные ряды для каждого человека.

10

Оцени и подготовь к развёртыванию все задачи

Задай для каждой задачи собственную метрику приёмки для целевого размера развёртывания, проверь все задачи в одном цикле и экспортируй каждую в ONNX с проверенным предсказанием.