Введение в YOLO и работа с YOLO11

YOLO (You Only Look Once) — это одна из самых популярных архитектур для задачи обнаружения объектов (Object Detection). Её основной особенностью является высокая скорость и точность, что делает её подходящей для работы в реальном времени.

В этой статье мы рассмотрим основные шаги, которые, вероятно, будут актуальны для работы с любыми версиями YOLO, включая YOLO11. Мы сделаем упор на практическое использование библиотеки, настройку под свои данные и развертывание модели.

1. Установка библиотеки YOLO

Если YOLO11 основывается на PyTorch или TensorFlow, как и предыдущие версии, то для работы вам потребуется установить библиотеку через pip. Предположим, что YOLO11 доступен через репозиторий:

pip install yolo

Или

pip install ultralytics-v11

 

Если это кастомная версия, опубликованная на GitHub, вам нужно будет клонировать репозиторий и установить зависимости:

git clone https://github.com/username/yolov11.git
cd yolov11
pip install -r requirements.txt

2. Основы работы с YOLO

YOLO — это одноэтапная архитектура обнаружения объектов. Она предсказывает классы объектов и их координаты (границы) за один прогон через сеть. Основные этапы работы:

1. Инференс (Inference): Использование предобученной модели для предсказания объектов на изображении или видео.
2. Тренировка (Training): Обучение модели на пользовательских данных.
3. Тонкая настройка (Fine-tuning): Дообучение модели для улучшения производительности на специфических данных.

3. Использование предобученной модели YOLO11

Предобученные модели YOLO поставляются с весами, обученными на популярных датасетах, таких как COCO. Чтобы использовать их для предсказаний:

Инференс на изображении

from yolov11 import YOLO

# Загрузка предобученной модели
model = YOLO(‘yolov11-coco.pt’)

# Загрузка изображения
image_path = ‘image.jpg’

# Предсказание
results = model.predict(image_path)

# Отображение результатов
results.show() # Показывает изображение с предсказанными объектами
results.save(«output.jpg») # Сохраняет результат

Инференс на видео

# Предсказание на видео
video_path = ‘video.mp4’
results = model.predict(video_path)

# Сохранение выходного видео
results.save(«output_video.mp4»)

4. Тренировка модели на своих данных

Подготовка данных

Для обучения YOLO вам нужно подготовить датасет в формате, совместимом с библиотекой. Обычно используется формат YOLO TXT:

• Каждое изображение имеет файл аннотаций с таким же именем, как и изображение, но с расширением .txt.
• Внутри файла аннотаций каждая строка описывает объект:
  <class_id> <x_center> <y_center> <width> <height>, где координаты нормализованы (от 0 до 1).

Пример структуры файлов:

dataset/
├── images/
│ ├── train/
│ │ ├── img1.jpg
│ │ ├── img2.jpg
│ └── val/
│ ├── img3.jpg
├── labels/
│ ├── train/
│ │ ├── img1.txt
│ │ ├── img2.txt
│ └── val/
│ ├── img3.txt

 

Теперь перейдем к обучению модели YOLO11 на ваших данных.

Шаг 1: Настройка конфигурации

Создайте файл конфигурации для вашего датасета. Пример файла конфигурации:

train: /path/to/train/images
val: /path/to/val/images
test: /path/to/test/images

nc: 80 # Количество классов
names: [‘class1’, ‘class2’, …] # Имена классов

Шаг 2: Запуск процесса обучения

Запустите процесс обучения с помощью следующей команды:

python train.py —img 640 —batch 16 —epochs 50 —data /path/to/your/config.yaml —cfg yolov11.yaml —weights yolov11.pt

Либо через функции модели:

model = YOLO(«yolo11n.pt»)

model.train(data=»data.yaml», epochs=30, save=True, save_dir=’/run’)

Модели можно найти тут:
https://github.com/ultralytics/

Датасеты здесь:

https://universe.roboflow.com

Официальная документация:

https://docs.ultralytics.com/ru/models/yolo11/