
Üretimde Ultralytics YOLO
Eğitilmiş bir Ultralytics YOLO modelini üretime taşı: çalışma zamanı seç, dışa aktar ve doğrula, donanımına göre optimize et, nesneleri izle, sayım işlem hatları oluştur, çok sayıda akışı çalıştır ve kullanıcılar fark etmeden önce dağılım kaymasını yakala.
Hazırlayan Ultralytics Academy
Doğrulanmış eşdeğerlikle doğru çalışma zamanında bir YOLO26 modelini kullanıma al; tespitlerini çok sayıda akışta izlenen kimliklere ve sayımlara dönüştür ve gecikme, doğruluk ve dağılım kayması sorunları kullanıcılar fark etmeden önce sana bildirim gönderecek şekilde enstrümante et.
Cihaza, gecikme bütçesine ve filoya göre bir çalışma zamanı ile
format=seç; ardından tekrarlanan kıyaslamalarla doğrula.ONNX'e aktar ve sabit şekilli letterbox tuzağı da dâhil olmak üzere PyTorch ile eşdeğerliği kanıtla.
Kalibrasyon verileri ve doğruluk eşiğiyle TensorRT ve OpenVINO üzerinde FP32, FP16 ve INT8 arasında karar ver.
Nesneleri ByteTrack, BoT-SORT veya TrackTrack ile izle ve izleyici eşiklerini tespit modelinin güven puanlarına göre ayarla.
İzleme üzerine çizgi sayaçları, bölge doluluk ölçümleri, ısı haritaları ve kalibre edilmiş hız tahminleri oluştur.
Toplu çıkarım, sınırlandırılmış kuyruklar ve ölçülen kare düşüşleriyle tek bir model üzerinden birkaç kamera akışını çalıştır.
Kare başına metrikleri günlüğe kaydet, KS testiyle güven puanlarındaki dağılım kaymasını tespit et ve gecikme ile maliyet için en ucuz çözümü uygula.
Milisaniye bütçesine göre ölçülen tekrarlı kıyaslama sonuçlarıyla desteklenen, cihazın için bir çalışma zamanı kararı.
PyTorch modeliyle karşılaştırılmış (kutular, güven puanları ve mAP), kaydedilmiş bir eşdeğerlik kontrolüne sahip ONNX dışa aktarımı.
Hedef donanımda mAP ve gecikme eşiklerini geçen optimize edilmiş bir dışa aktarım (OpenVINO veya TensorRT).
Gerçek video üzerinde bir sayım çizgisi, bölge sayımı, ısı haritası ve kalibre edilmiş hız tahmini içeren bir sayım işlem hattı.
Birkaç kameradan gelen kareleri toplu işleyen ve her akış için işlenen ve düşürülen kareleri raporlayan bir çoklu akış çalışanı.
Bir izleme döngüsü: kare başına JSON metrikleri, güven puanlarında KS dağılım kayması testi ve haftalık bir elde tutulan veri kümesi doğrulaması.
İlk YOLO modelini eğit içeriğindeki
runs/detect/pills_v1/weights/best.ptgibi eğitilmiş bir model veya uygulamayı takip etmek için önceden eğitilmişyolo26n.ptkontrol noktası.Python 3.11+ ve
pip install "ultralytics[solutions]" onnxruntime scipygerekir (solutions, shapely ve lap paketlerini ekler).Python, komut satırı ve video kaynakları (dosyalar, web kameraları, RTSP) konusunda rahat olmalısın.
Önerilen: önce İlk YOLO modelini eğit ve Yüksek Performanslı YOLO Veri Kümeleri Oluşturma kurslarını tamamla.
Kurs içeriği
4 modül · 9 dersModül 1
Dağıtım Hedefi Seç
Cihazı, gecikme bütçesini ve cihaz filosunu tek bir çalışma zamanı ve dışa aktarma biçimiyle eşleştir; ardından cihaz üzerindeki p95 kıyaslamalarıyla seçimini doğrula.
ONNX'e Dışa Aktar (ve Eşdeğerliği Doğrula)
Bir YOLO26 modelini taşınabilir ONNX biçimine aktar, ardından herhangi bir şeyi dağıtmadan önce kutular, güven değerleri ve mAP açısından PyTorch ile eşleştiğini kanıtla.
Modül 2
TensorRT ile optimize et
Bir NVIDIA GPU'sunda FP16 TensorRT motoru oluştur, INT8'in doğruluk maliyetine değip değmeyeceğine karar ver ve dağıtımdan önce her motoru mAP ve gecikme eşiklerine göre denetle.
CPU'da OpenVINO
FP32, FP16 ve INT8 OpenVINO modellerini dışa aktar, her birini doğrula ve INT8'i yalnızca kendi CPU'nda ölçtüğün hızlanma doğruluk maliyetini aşıyorsa kullan.
Modül 3
ByteTrack, BoT-SORT ve TrackTrack ile Nesneleri Takip Et
Kareler boyunca her nesneye sabit bir kimlik ver, ByteTrack, BoT-SORT ve TrackTrack arasından seçim yap ve izleyici eşiklerini tespitçine göre ayarla.
Sayım, Isı Haritaları ve Hız Tahmini
Ultralytics YOLO takibinin üzerine hat sayaçları, bölge doluluğu, ısı haritaları ve hız tahminleri ekle; bunları gerçek ölçümlerle kalibre et.
Modül 4
Çoklu Akışta Çıkarım
Birkaç kamera akışını tek bir YOLO modeli üzerinden toplu çıkarım, sınırlı kuyruklar ve donanım boyutlandırmasına yardımcı olan akış başına kare düşürme sayımlarıyla çalıştır.
Gözlemlenebilirlik ve Kayma
Sessiz doğruluk kaybını yakalayan ölçümleri günlüğe kaydet, güven dağılımlarını kayma açısından test et ve yalnızca eyleme dönüştürülebilir sinyaller için uyarı ver.
Maliyet ve Gecikme Ayarı
Tüm çıkarım hattının profilini çıkar, gecikmeyi ve maliyeti gerçekten etkileyen ayarları doğru sırayla değiştir ve önceden belirlediğin bütçeye ulaştığında dur.