Add Hindi हिन्दी and Arabic العربية Docs translations (#6428)
Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com> Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>
This commit is contained in:
Glenn Jocher
GitHub
parent
b6baae584c
commit
02bf8003a8
337 changed files with 6584 additions and 777 deletions
|
|
@ -8,7 +8,7 @@ keywords: компьютерное зрение, наборы данных, Ultr
|
|||
|
||||
Ultralytics предоставляет поддержку различных наборов данных для выполнения задач компьютерного зрения, таких как обнаружение объектов, индивидуальная сегментация, оценка поз, классификация и многократное отслеживание объектов. Ниже приведен список основных наборов данных Ultralytics, а затем представлены описание каждой задачи компьютерного зрения и соответствующие наборы данных.
|
||||
|
||||
!!! note
|
||||
!!! Note
|
||||
|
||||
🚧 Наша многоязычная документация в настоящее время находится в стадии разработки, и мы усердно работаем над ее улучшением. Спасибо за терпение! 🙏
|
||||
|
||||
|
|
@ -104,7 +104,7 @@ Ultralytics предоставляет поддержку различных н
|
|||
|
||||
### Пример кода для оптимизации и архивации набора данных
|
||||
|
||||
!!! example "Оптимизация и архивация набора данных"
|
||||
!!! Example "Оптимизация и архивация набора данных"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -38,7 +38,7 @@ keywords: Ultralytics, YOLOv8, обнаружение объектов, сегм
|
|||
|
||||
Исследуйте документацию YOLOv8 — обширный ресурс, разработанный, чтобы помочь вам понять и использовать его функции и возможности. Независимо от того, являетесь ли вы опытным практиком машинного обучения или новичком в этой области, этот центр ресурсов нацелен на максимальное раскрытие потенциала YOLOv8 в ваших проектах.
|
||||
|
||||
!!! note
|
||||
!!! Note
|
||||
|
||||
🚧 Наша многоязычная документация в настоящее время находится в стадии разработки, и мы усердно работаем над ее улучшением. Спасибо за ваше терпение! 🙏
|
||||
|
||||
|
|
|
|||
|
|
@ -8,7 +8,7 @@ keywords: Ultralytics, документация, YOLO, SAM, MobileSAM, FastSAM,
|
|||
|
||||
Добро пожаловать в документацию по моделям Ultralytics! Мы поддерживаем широкий спектр моделей, каждая из которых адаптирована для конкретных задач, таких как [обнаружение объектов](../tasks/detect.md), [сегментация на уровне экземпляров](../tasks/segment.md), [классификация изображений](../tasks/classify.md), [оценка позы](../tasks/pose.md) и [множественное отслеживание объектов](../modes/track.md). Если вы заинтересованы в добавлении архитектуры вашей модели в Ultralytics, ознакомьтесь с нашим [Руководством для участников](../../help/contributing.md).
|
||||
|
||||
!!! note
|
||||
!!! Note
|
||||
|
||||
🚧 Наша многоязычная документация в настоящее время находится в стадии разработки, и мы усердно работаем над ее улучшением. Спасибо за ваше терпение! 🙏
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ keywords: Ultralytics, документация, YOLO, SAM, MobileSAM, FastSAM,
|
|||
|
||||
## Начало работы: Примеры использования
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -32,7 +32,7 @@ keywords: Ultralytics, YOLOv8, бенчмаркинг, профилирован
|
|||
- **OpenVINO:** Для оптимизации под аппаратное обеспечение Intel
|
||||
- **CoreML, TensorFlow SavedModel и другие:** Для разнообразных потребностей развертывания.
|
||||
|
||||
!!! tip "Совет"
|
||||
!!! Tip "Совет"
|
||||
|
||||
* Экспортируйте в ONNX или OpenVINO для ускорения процессора до 3 раз.
|
||||
* Экспортируйте в TensorRT для ускорения GPU до 5 раз.
|
||||
|
|
@ -41,7 +41,7 @@ keywords: Ultralytics, YOLOv8, бенчмаркинг, профилирован
|
|||
|
||||
Запустите бенчмарк YOLOv8n на всех поддерживаемых форматах экспорта, включая ONNX, TensorRT и т. д. Смотрите раздел Аргументы ниже для полного списка параметров экспорта.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -39,7 +39,7 @@ keywords: YOLO, YOLOv8, Ultralytics, Экспорт модели, ONNX, TensorRT
|
|||
- **Оптимизированное предсказание:** Экспортированные модели оптимизированы для более быстрого предсказания.
|
||||
- **Учебные видео:** Глубокие руководства и обучающие видео для гладкого опыта экспорта.
|
||||
|
||||
!!! tip "Совет"
|
||||
!!! Tip "Совет"
|
||||
|
||||
* Экспортируйте в ONNX или OpenVINO для ускорения CPU до 3 раз.
|
||||
* Экспортируйте в TensorRT для увеличения скорости на GPU до 5 раз.
|
||||
|
|
@ -48,7 +48,7 @@ keywords: YOLO, YOLOv8, Ultralytics, Экспорт модели, ONNX, TensorRT
|
|||
|
||||
Экспорт модели YOLOv8n в другой формат, например ONNX или TensorRT. Смотрите раздел Аргументы ниже для полного списка аргументов экспорта.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@ keywords: Ultralytics, YOLOv8, режим предсказаний, источн
|
|||
|
||||
Модели Ultralytics YOLO возвращают либо список объектов `Results`, либо генератор объектов `Results` в Python, экономящий память, когда `stream=True` передается в модель во время вывода:
|
||||
|
||||
!!! example "Предсказание"
|
||||
!!! Example "Предсказание"
|
||||
|
||||
=== "Вернуть список с `stream=False`"
|
||||
```python
|
||||
|
|
@ -92,7 +92,7 @@ keywords: Ultralytics, YOLOv8, режим предсказаний, источн
|
|||
|
||||
YOLOv8 может обрабатывать различные типы входных источников для вывода, как показано в таблице ниже. Источники включают статические изображения, видеопотоки и различные форматы данных. В таблице также указано, можно ли использовать каждый источник в режиме потоковой передачи с аргументом `stream=True` ✅. Режим потоковой передачи полезен для обработки видео или живых трансляций, так как создает генератор результатов вместо загрузки всех кадров в память.
|
||||
|
||||
!!! tip "Совет"
|
||||
!!! Tip "Совет"
|
||||
|
||||
Используйте `stream=True` для обработки длинных видеороликов или больших наборов данных для эффективного управления памятью. Когда `stream=False`, результаты для всех кадров или точек данных хранятся в памяти, что может быстро накопиться и вызвать ошибки переполнения памяти для больших входов. В отличие от этого, `stream=True` использует генератор, который хранит в памяти результаты только текущего кадра или точки данных, значительно сокращая потребление памяти и предотвращая проблемы с переполнением памяти.
|
||||
|
||||
|
|
@ -115,7 +115,7 @@ YOLOv8 может обрабатывать различные типы вход
|
|||
|
||||
Ниже приведены примеры кода для использования каждого типа источника:
|
||||
|
||||
!!! example "Источники предсказаний"
|
||||
!!! Example "Источники предсказаний"
|
||||
|
||||
=== "изображение"
|
||||
Выполнить вывод на файл изображения.
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ Ultralytics YOLO поддерживает следующие алгоритмы
|
|||
|
||||
Для запуска трекера на видеопотоках используйте обученные модели Detect, Segment или Pose, такие как YOLOv8n, YOLOv8n-seg и YOLOv8n-pose.
|
||||
|
||||
!!! пример ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -97,7 +97,7 @@ Ultralytics YOLO поддерживает следующие алгоритмы
|
|||
|
||||
Конфигурация отслеживания имеет общие свойства с режимом Predict, такие как `conf`, `iou` и `show`. Для дальнейшей настройки обратитесь к странице модели [Predict](https://docs.ultralytics.com/modes/predict/).
|
||||
|
||||
!!! пример ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -120,7 +120,7 @@ Ultralytics YOLO поддерживает следующие алгоритмы
|
|||
|
||||
Ultralytics также позволяет использовать измененный файл конфигурации трекера. Для этого просто сделайте копию файла конфигурации трекера (например, `custom_tracker.yaml`) из [ultralytics/cfg/trackers](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/trackers) и измените любые настройки (кроме `tracker_type`) в соответствии с вашими потребностями.
|
||||
|
||||
!!! пример ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -147,7 +147,7 @@ Ultralytics также позволяет использовать измене
|
|||
|
||||
Вот пример скрипта Python, использующий OpenCV (`cv2`) и YOLOv8 для выполнения отслеживания объектов на кадрах видео. В этом сценарии предполагается, что вы уже установили необходимые пакеты (`opencv-python` и `ultralytics`). Аргумент `persist=True` указывает трекеру, что текущее изображение или кадр является следующим в последовательности и ожидает, что следы с предыдущего изображения будут присутствовать в текущем изображении.
|
||||
|
||||
!!! пример "Цикл с потоковым отслеживанием for-loop"
|
||||
!!! Example "Цикл с потоковым отслеживанием for-loop"
|
||||
|
||||
```python
|
||||
import cv2
|
||||
|
|
|
|||
|
|
@ -41,7 +41,7 @@ keywords: Ultralytics, YOLOv8, YOLO, обнаружение объектов, р
|
|||
- **Настройка гиперпараметров:** Возможность изменения гиперпараметров через файлы конфигурации YAML или аргументы CLI.
|
||||
- **Визуализация и мониторинг:** Отслеживание метрик обучения в реальном времени и визуализация процесса обучения для лучшего понимания.
|
||||
|
||||
!!! tip "Совет"
|
||||
!!! Tip "Совет"
|
||||
|
||||
* Наборы данных YOLOv8, такие как COCO, VOC, ImageNet и многие другие, автоматически загружаются при первом использовании, например, `yolo train data=coco.yaml`
|
||||
|
||||
|
|
@ -49,7 +49,7 @@ keywords: Ultralytics, YOLOv8, YOLO, обнаружение объектов, р
|
|||
|
||||
Обучение YOLOv8n на наборе данных COCO128 в течение 100 эпох с размером изображения 640. Устройство для обучения может быть указано с помощью аргумента `device`. Если аргумент не передан, будет использоваться GPU `device=0`, если доступен, в противном случае будет использоваться `device=cpu`. Смотрите раздел Аргументы ниже для полного списка аргументов обучения.
|
||||
|
||||
!!! example "Пример обучения на одном GPU и CPU"
|
||||
!!! Example "Пример обучения на одном GPU и CPU"
|
||||
|
||||
Устройство определяется автоматически. Если доступен GPU, то он будет использован, иначе обучение начнется на CPU.
|
||||
|
||||
|
|
@ -84,7 +84,7 @@ keywords: Ultralytics, YOLOv8, YOLO, обнаружение объектов, р
|
|||
|
||||
Обучение на нескольких GPU позволяет более эффективно использовать доступные аппаратные ресурсы, распределяя нагрузку по обучению на несколько GPU. Эта функция доступна как через Python API, так и через командный интерфейс. Чтобы включить обучение на нескольких GPU, укажите идентификаторы устройств GPU, которые вы хотите использовать.
|
||||
|
||||
!!! example "Пример обучения на нескольких GPU"
|
||||
!!! Example "Пример обучения на нескольких GPU"
|
||||
|
||||
Чтобы обучить с использованием 2 GPU, устройств CUDA 0 и 1 используйте следующие команды. Расширьте до дополнительных GPU по мере необходимости.
|
||||
|
||||
|
|
@ -113,7 +113,7 @@ keywords: Ultralytics, YOLOv8, YOLO, обнаружение объектов, р
|
|||
|
||||
Чтобы запустить обучение на чипах Apple M1 и M2, вы должны указать 'mps' в качестве вашего устройства при запуске процесса обучения. Ниже приведены примеры использования Python и командной строки:
|
||||
|
||||
!!! example "Пример обучения с MPS"
|
||||
!!! Example "Пример обучения с MPS"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -148,7 +148,7 @@ keywords: Ultralytics, YOLOv8, YOLO, обнаружение объектов, р
|
|||
|
||||
Чтобы использовать Comet:
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
```python
|
||||
|
|
@ -166,7 +166,7 @@ keywords: Ultralytics, YOLOv8, YOLO, обнаружение объектов, р
|
|||
|
||||
Чтобы использовать ClearML:
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
```python
|
||||
|
|
@ -184,7 +184,7 @@ keywords: Ultralytics, YOLOv8, YOLO, обнаружение объектов, р
|
|||
|
||||
Чтобы использовать TensorBoard в [Google Colab](https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb):
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "CLI"
|
||||
```bash
|
||||
|
|
@ -194,7 +194,7 @@ keywords: Ultralytics, YOLOv8, YOLO, обнаружение объектов, р
|
|||
|
||||
Чтобы использовать TensorBoard локально, запустите приведенную ниже команду и просмотрите результаты по адресу http://localhost:6006/.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "CLI"
|
||||
```bash
|
||||
|
|
|
|||
|
|
@ -30,7 +30,7 @@ keywords: Ultralytics, YOLO Документация, YOLOv8, проверка,
|
|||
- **CLI и Python API:** Выберите интерфейс командной строки или Python API в зависимости от вашего предпочтения для проверки.
|
||||
- **Совместимость данных:** Бесперебойно работает с наборами данных, используемыми во время фазы обучения, а также с пользовательскими наборами данных.
|
||||
|
||||
!!! tip "Совет"
|
||||
!!! Tip "Совет"
|
||||
|
||||
* Модели YOLOv8 автоматически запоминают свои настройки обучения, так что вы можете легко проверить модель с тем же размером изображения и на оригинальном наборе данных, просто используя `yolo val model=yolov8n.pt` или `model('yolov8n.pt').val()`
|
||||
|
||||
|
|
@ -38,7 +38,7 @@ keywords: Ultralytics, YOLO Документация, YOLOv8, проверка,
|
|||
|
||||
Проверьте точность обученной модели YOLOv8n на наборе данных COCO128. Аргументы передавать не требуется, так как `модель` сохраняет `данные` и аргументы в качестве атрибутов модели. См. раздел Аргументы ниже для полного списка аргументов экспорта.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -8,7 +8,7 @@ keywords: установка Ultralytics, установка pip Ultralytics, у
|
|||
|
||||
Ultralytics предлагает различные методы установки, включая pip, conda и Docker. Установите YOLOv8 через пакет `ultralytics` pip для последнего стабильного выпуска или путем клонирования [репозитория Ultralytics на GitHub](https://github.com/ultralytics/ultralytics) для получения самой актуальной версии. Docker можно использовать для выполнения пакета в изолированном контейнере, избегая локальной установки.
|
||||
|
||||
!!! example "Установка"
|
||||
!!! Example "Установка"
|
||||
|
||||
=== "Установка через Pip (рекомендуется)"
|
||||
Установите пакет `ultralytics` с помощью pip или обновите существующую установку, запустив `pip install -U ultralytics`. Посетите индекс пакетов Python (PyPI) для получения дополнительной информации о пакете `ultralytics`: [https://pypi.org/project/ultralytics/](https://pypi.org/project/ultralytics/).
|
||||
|
|
@ -37,7 +37,7 @@ Ultralytics предлагает различные методы установ
|
|||
conda install -c conda-forge ultralytics
|
||||
```
|
||||
|
||||
!!! note
|
||||
!!! Note
|
||||
|
||||
Если вы устанавливаете пакет в среде CUDA, лучшей практикой будет установка `ultralytics`, `pytorch` и `pytorch-cuda` одной командой, чтобы менеджер пакетов conda мог разрешить любые конфликты или установить `pytorch-cuda` последним, чтобы при необходимости он мог заменить пакет `pytorch`, предназначенный для ЦП.
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ Ultralytics предлагает различные методы установ
|
|||
<strong>Watch:</strong> Ultralytics YOLO Quick Start Guide
|
||||
</p>
|
||||
|
||||
!!! tip "Совет"
|
||||
!!! Tip "Совет"
|
||||
|
||||
Требования PyTorch зависят от операционной системы и требований CUDA, поэтому рекомендуется сначала установить PyTorch, следуя инструкциям на [https://pytorch.org/get-started/locally](https://pytorch.org/get-started/locally).
|
||||
|
||||
|
|
@ -101,7 +101,7 @@ Ultralytics предлагает различные методы установ
|
|||
|
||||
Интерфейс командной строки (CLI) Ultralytics позволяет выполнять простые команды одной строкой без необходимости настройки Python среды. CLI не требует настройки или кода на Python. Все задачи можно легко выполнить из терминала с помощью команды `yolo`. Прочтите [Руководство по CLI](/../usage/cli.md), чтобы узнать больше о использовании YOLOv8 из командной строки.
|
||||
|
||||
!!! example
|
||||
!!! Example
|
||||
|
||||
=== "Cинтаксис"
|
||||
|
||||
|
|
@ -155,7 +155,7 @@ Ultralytics предлагает различные методы установ
|
|||
yolo cfg
|
||||
```
|
||||
|
||||
!!! warning "Предупреждение"
|
||||
!!! Warning "Предупреждение"
|
||||
|
||||
Аргументы должны передаваться в виде пар `arg=val`, разделенных знаком равенства `=`, и разделены пробелами ` ` между парами. Не используйте префиксы аргументов `--` или запятые `,` между аргументами.
|
||||
|
||||
|
|
@ -171,7 +171,7 @@ Python интерфейс YOLOv8 позволяет легко интегрир
|
|||
|
||||
Например, пользователи могут загрузить модель, обучить ее, оценить ее производительность на валидационном наборе, и даже экспортировать ее в формат ONNX всего за несколько строк кода. Подробнее о том, как использовать YOLOv8 в ваших Python проектах, читайте в [Руководстве по Python](/../usage/python.md).
|
||||
|
||||
!!! example
|
||||
!!! Example
|
||||
|
||||
```python
|
||||
from ultralytics import YOLO
|
||||
|
|
|
|||
|
|
@ -12,7 +12,7 @@ keywords: Ultralytics, YOLOv8, классификация изображений
|
|||
|
||||
Выход классификатора изображений - это один классовый ярлык и уровень доверия. Классификация изображений полезна, когда вам нужно знать только к какому классу относится изображение, и не нужно знать, где находятся объекты данного класса или какова их точная форма.
|
||||
|
||||
!!! tip "Совет"
|
||||
!!! Tip "Совет"
|
||||
|
||||
Модели YOLOv8 Classify используют суффикс `-cls`, например `yolov8n-cls.pt`, и предварительно обучены на [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml).
|
||||
|
||||
|
|
@ -39,7 +39,7 @@ keywords: Ultralytics, YOLOv8, классификация изображений
|
|||
|
||||
Обучите модель YOLOv8n-cls на наборе данных MNIST160 на протяжении 100 эпох с размером изображения 64. Полный список доступных аргументов приведен на странице [Конфигурация](/../usage/cfg.md).
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -76,7 +76,7 @@ keywords: Ultralytics, YOLOv8, классификация изображений
|
|||
|
||||
Проверьте точность обученной модели YOLOv8n-cls на наборе данных MNIST160. Не нужно передавать какие-либо аргументы, так как `model` сохраняет свои `data` и аргументы в качестве атрибутов модели.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -103,7 +103,7 @@ keywords: Ultralytics, YOLOv8, классификация изображений
|
|||
|
||||
Используйте обученную модель YOLOv8n-cls для выполнения предсказаний на изображениях.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ keywords: Ultralytics, YOLOv8, классификация изображений
|
|||
|
||||
Экспортируйте модель YOLOv8n-cls в другой формат, например, ONNX, CoreML и т. д.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ keywords: YOLOv8, Ultralytics, обнаружение объектов, пред
|
|||
<strong>Смотрите:</strong> Обнаружение объектов с предобученной моделью Ultralytics YOLOv8.
|
||||
</p>
|
||||
|
||||
!!! tip "Совет"
|
||||
!!! Tip "Совет"
|
||||
|
||||
YOLOv8 Detect модели являются стандартными моделями YOLOv8, то есть `yolov8n.pt`, и предобучены на [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ keywords: YOLOv8, Ultralytics, обнаружение объектов, пред
|
|||
|
||||
Обучите модель YOLOv8n на датасете COCO128 в течение 100 эпох с размером изображения 640. Полный список доступных аргументов см. на странице [Конфигурация](/../usage/cfg.md).
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -86,7 +86,7 @@ keywords: YOLOv8, Ultralytics, обнаружение объектов, пред
|
|||
|
||||
Проверьте точность обученной модели YOLOv8n на датасете COCO128. Необходимо передать аргументы, поскольку `model` сохраняет свои `data` и аргументы обучения как атрибуты модели.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -115,7 +115,7 @@ keywords: YOLOv8, Ultralytics, обнаружение объектов, пред
|
|||
|
||||
Используйте обученную модель YOLOv8n для выполнения предсказаний на изображениях.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -142,7 +142,7 @@ keywords: YOLOv8, Ultralytics, обнаружение объектов, пред
|
|||
|
||||
Экспортируйте модель YOLOv8n в другой формат, такой как ONNX, CoreML и др.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -11,7 +11,7 @@ keywords: Ultralytics, YOLOv8, Обнаружение, Сегментация,
|
|||
|
||||
YOLOv8 — это AI фреймворк, поддерживающий множество задач компьютерного зрения **задачи**. Фреймворк может быть использован для выполнения [обнаружения](detect.md), [сегментации](segment.md), [классификации](classify.md) и оценки [позы](pose.md). Каждая из этих задач имеет различные цели и области применения.
|
||||
|
||||
!!! note
|
||||
!!! Note
|
||||
|
||||
🚧 Наша многоязычная документация в настоящее время находится в стадии разработки, и мы усердно работаем над ее улучшением. Спасибо за ваше терпение! 🙏
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ description: Узнайте, как использовать Ultralytics YOLOv8
|
|||
|
||||
[Смотрите: Оценка позы с Ultralytics YOLOv8.](https://www.youtube.com/embed/Y28xXQmju64?si=pCY4ZwejZFu6Z4kZ)
|
||||
|
||||
!!! tip "Совет"
|
||||
!!! Tip "Совет"
|
||||
|
||||
Модели _pose_ YOLOv8 используют суффикс `-pose`, т.е. `yolov8n-pose.pt`. Эти модели обучены на наборе данных [COCO keypoints](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml) и подходят для различных задач оценки позы.
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ description: Узнайте, как использовать Ultralytics YOLOv8
|
|||
|
||||
Обучите модель YOLOv8-pose на наборе данных COCO128-pose.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -78,7 +78,7 @@ description: Узнайте, как использовать Ultralytics YOLOv8
|
|||
Проверьте точность обученной модели YOLOv8n-pose на наборе данных COCO128-pose. Аргументы не нужны, так как `model`
|
||||
запоминает свои `data` и аргументы как атрибуты модели.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -107,7 +107,7 @@ description: Узнайте, как использовать Ultralytics YOLOv8
|
|||
|
||||
Используйте обученную модель YOLOv8n-pose для выполнения предсказаний на изображениях.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -134,7 +134,7 @@ description: Узнайте, как использовать Ultralytics YOLOv8
|
|||
|
||||
Экспортируйте модель YOLOv8n Pose в другой формат, такой как ONNX, CoreML и т.д.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ keywords: yolov8, сегментация объектов, Ultralytics, набо
|
|||
<strong>Смотрите:</strong> Запуск сегментации с предварительно обученной моделью Ultralytics YOLOv8 на Python.
|
||||
</p>
|
||||
|
||||
!!! tip "Совет"
|
||||
!!! Tip "Совет"
|
||||
|
||||
Модели YOLOv8 Segment используют суффикс `-seg`, например `yolov8n-seg.pt` и предварительно обучены на [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).
|
||||
|
||||
|
|
@ -51,7 +51,7 @@ keywords: yolov8, сегментация объектов, Ultralytics, набо
|
|||
|
||||
Обучите модель YOLOv8n-seg на наборе данных COCO128-seg в течение 100 эпох при размере изображения 640. Полный список доступных аргументов см. на странице [Конфигурация](/../usage/cfg.md).
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -87,7 +87,7 @@ keywords: yolov8, сегментация объектов, Ultralytics, набо
|
|||
|
||||
Проверьте точность обученной модели YOLOv8n-seg на наборе данных COCO128-seg. Аргументы передавать не нужно, так как `model` сохраняет `data` и аргументы обучения в качестве атрибутов модели.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -120,7 +120,7 @@ keywords: yolov8, сегментация объектов, Ultralytics, набо
|
|||
|
||||
Используйте обученную модель YOLOv8n-seg для выполнения предсказаний на изображениях.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -147,7 +147,7 @@ keywords: yolov8, сегментация объектов, Ultralytics, набо
|
|||
|
||||
Экспортируйте модель YOLOv8n-seg в другой формат, например ONNX, CoreML и т.д.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Пример"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue