Ultralytics YOLO27: Встать в лист ожидания.
Get Started
От установки через pip до собственного детектора, готового к развёртыванию
Траектория обучения: Основыначинающий ~4 часа 10 уроковИтоговый экзамен · Сертификат

Обучи первую модель YOLO

Проведи Ultralytics YOLO26 путь от чистой установки до собственного обученного, проверенного и экспортированного детектора. Ты будешь выполнять предсказания на изображениях, подготавливать настоящий набор данных, обучать детектор таблеток и диагностировать его работу, запускать модели на видео с трекингом и экспортировать в ONNX, проверяя соответствие PyTorch. Каждый этап выполняется на Python и через CLI на ноутбучном CPU, а реальные результаты показаны в руководстве. Планирование, сбор и разметка самого набора данных рассматриваются в разделе «Создание высокопроизводительных наборов данных YOLO».

Автор Ultralytics Academy

Начать курсВойди, чтобы сохранять прогресс
Чему ты научишься

Обучи, проверь и экспортируй модель Ultralytics YOLO26 на собственном наборе данных, запусти её на видео и научись диагностировать проблемы на каждом этапе — и в Python, и в командной строке.

  • Установи Ultralytics, проверь, какое устройство будет использоваться, и выполни предсказания YOLO26 в Python и через CLI.

  • Выбирай размер модели на основе измеренного бюджета задержки, а не рейтинга.

  • Подготовь набор данных в формате Ultralytics YOLO, преобразуй метки и создай data.yaml, доступный из любой рабочей директории.

  • Обучай модели, проводи валидацию, возобновляй и запускай обучение с предварительной инициализацией, а результаты валидации превращай в список исправлений.

  • Обрабатывай видеопоток с трекингом, затем экспортируй модель в ONNX, TensorRT, OpenVINO и другие форматы и докажи, что экспортированная модель соответствует PyTorch.

Что ты создашь

  • Набор данных таблеток в формате YOLO с data.yaml, который Ultralytics читает без ошибок в метках.

  • Обученный детектор best.pt с метриками валидации рядом с показателями предварительно обученной базовой модели.

  • Потоковый скрипт для видео, который с помощью трекинга подсчитывает уникальные объекты и проверяет, успевает ли он обрабатывать видео с частотой кадров.

  • Экспорт ONNX, результаты обнаружения и mAP которого соответствуют модели PyTorch при одинаковых настройках.

Предварительные требования

  • Python 3.10+ и уверенные навыки запуска скриптов Python и команд оболочки.

  • GPU не требуется: каждый пример в этом курсе выполняется на ноутбучном CPU за несколько минут. GPU NVIDIA или Apple Silicon ускорит более масштабные запуски.

  • Рекомендуем сначала пройти Основы компьютерного зрения и Создание высокопроизводительных наборов данных YOLO.

Содержание курса

5 модулей · 10 уроков

Модуль 1

Настройка
1

Установи Ultralytics

Установи Ultralytics в чистое окружение, прочитай отчёт проверок yolo, чтобы узнать, какое устройство будет использоваться, и проверь настройку, выполнив одно предсказание.

Модуль 2

Предсказание
2

Предсказание изображения

Запусти предварительно обученную модель YOLO26 из Python, извлеки из результатов классы, уверенности и координаты рамок в пикселях, а также настрой аргументы, которые помогают устранить большинство пропусков.

3

Выбери размер модели Ultralytics YOLO

Сравни версии YOLO26 n, s, m, l и x, проверь их на целевом оборудовании и выбери самую маленькую версию, укладывающуюся в допустимую задержку.

Модуль 3

Данные
4

Подготовь собственный датасет

Организуй изображения и метки в формате Ultralytics YOLO, преобразуй пиксельные рамки в нормализованные строки меток и найди повреждённые метки до обучения.

5

Создай YAML-файл датасета

Создай data.yaml, который укажет Ultralytics пути к папкам и названия классов, добейся корректной работы путей из любой директории и проверь конфигурацию командой yolo val.

Модуль 4

Обучение
6

Обучи свою первую модель

Дообучи YOLO26 на своём датасете одной командой, следи за журналом обучения в реальном времени построчно и найди best.pt и важные графики в папке запуска.

7

Валидация и диагностика

Проверь best.pt на фоне базового результата, изучи матрицу ошибок, показатели по классам и изображения с предсказаниями, а затем составь список конкретных исправлений.

8

Возобновление и итерации

Точно возобнови прерванный запуск, начни новый раунд с best.pt и задай рабочую скорость обучения, а затем сравни запуски рядом.

Модуль 5

Развёртывание
9

Запуск инференса на видео

Запускай YOLO26 на видеофайлах и с камер в реальном времени с ограниченным потреблением памяти, отслеживай объекты, чтобы посчитать каждый только один раз, и проверяй, успевает ли модель обрабатывать кадры с частотой источника.

10

Экспорт для развёртывания

Экспортируй best.pt в ONNX, OpenVINO, TensorRT, CoreML, LiteRT или QNN, а затем докажи, что экспортированная модель совпадает с моделью PyTorch, прежде чем запускать её в production.