मुख्य सामग्री पर जाएँ
Zubnet AI › सीखें › Wiki › YOLO
मॉडल

YOLO

इसे भी कहा जाता है: You Only Look Once
तेज़ object detection models का परिवार, जो एक ही pass में image के सारे objects ढूँढकर classify कर देता है और real-time vision के लिए standard पसंद है।

यह क्यों मायने रखता है

YOLO models applied computer vision के सबसे मेहनती औज़ार हैं। ये shelves पर रखे products गिनते हैं, production lines पर defects पकड़ते हैं, sports broadcasts में खिलाड़ियों को track करते हैं, traffic नापते हैं, drones और robots को रास्ता दिखाते हैं और वन्यजीवों पर नज़र रखते हैं। ये इतने छोटे हैं कि phone, camera या सस्ते embedded board पर चल जाते हैं, और इन्हें एक दोपहर में custom dataset पर fine-tune किया जा सकता है।

विशाल multimodal models के दौर में YOLO याद दिलाता है कि छोटा, specialized model अक्सर सही औज़ार होता है। प्रति image यह किसी vision-language model से कई orders of magnitude सस्ता है, और कहीं ज़्यादा तेज़ भी।

गहन अध्ययन

YOLO का पूरा नाम "You Only Look Once" है, यानी "आप बस एक बार देखते हैं"। इससे पहले सबसे अच्छे object detectors दो stages में काम करते थे: पहले वे ऐसे regions सुझाते थे जिनमें कुछ हो सकता है, फिर हर region को classify करते थे। यह तरीका सटीक था, पर धीमा। 2015 में Joseph Redmon और उनके साथियों ने दिखाया कि एक अकेला neural network पूरी image को एक बार देखकर सीधे हर bounding box और उसकी class predict कर सकता है। पहला YOLO 45 frames प्रति second पर चलता था, जो live video के लिए काफ़ी तेज़ था, जबकि उस समय के सटीक detectors मुश्किल से कुछ ही frames निकाल पाते थे।

तब से "YOLO" एक अकेला model कम और एक वंश ज़्यादा बन गया है: अलग-अलग teams के एक दर्जन से ज़्यादा versions, जो सभी तेज़ one-stage detection के विचार पर बने हैं।

यह कैसे काम करता है

YOLO model एक convolutional network है जिसके तीन हिस्से हैं: backbone, जो features निकालता है; neck, जो अलग-अलग scales के features को मिलाता है ताकि छोटे और बड़े दोनों तरह के objects दिखें; और head, जो पूरी image की अलग-अलग जगहों के लिए boxes, confidence scores और classes predict करता है।

Raw output में एक ही object के लिए कई overlapping boxes होते हैं। Non-maximum suppression (NMS) नाम का post-processing step सबसे अच्छा box रखता है और duplicates हटा देता है। कुछ नए versions इस तरह train किए जाते हैं कि हर object के लिए एक ही box निकले और NMS की ज़रूरत ही न पड़े, जिससे deployment आसान हो जाता है।

एक उलझा हुआ वंश-वृक्ष

Redmon ने पहले तीन versions लिखे, फिर 2020 में सैन्य और निगरानी से जुड़े इस्तेमाल की चिंता जताते हुए computer vision research छोड़ दी। नाम बिना किसी मालिक के चलता रहा:

  • YOLOv4 (2020) Alexey Bochkovskiy और उनके साथियों का काम था।
  • YOLOv5 (2020), YOLOv8 (2023) और YOLO11 (2024) Ultralytics कंपनी से आए, जिसके आसान Python package ने YOLO को researchers के दायरे से बहुत आगे तक लोकप्रिय बना दिया।
  • YOLOv6, v7, v9, v10 और बाद के versions अलग-अलग academic और industry groups से आए।

Version numbers सुधारों का कोई साफ़ क्रम नहीं बनाते, और बड़ा number आपके task के लिए अपने आप बेहतर नहीं होता। आधुनिक YOLO packages detection से आगे भी जाते हैं: यही परिवार instance segmentation, pose estimation, rotated boxes और tracking भी सँभालता है।

Sizes और metrics

हर version कई sizes में आता है, आम तौर पर nano, small, medium, large और extra-large। Nano models phone पर real time में चलते हैं, जबकि बड़े models ज़्यादा सटीक होते हैं पर उन्हें GPU चाहिए। Accuracy को COCO dataset पर mAP (mean average precision) के रूप में बताया जाता है, जिसमें रोज़मर्रा के objects की 80 classes हैं। आपके अपने project के लिए COCO scores से ज़्यादा यह मायने रखता है कि आपके data और आपके hardware पर speed और accuracy कैसी है।

अपना model train करना

Pretrained YOLO models सिर्फ़ COCO की 80 classes जानते हैं। किसी और चीज़ के लिए आप fine-tune करते हैं: कुछ सौ से कुछ हज़ार images इकट्ठा कीजिए, उन्हें bounding boxes से label कीजिए और एक GPU पर करीब एक घंटा train कीजिए। असली मेहनत labeling में है, और Segment Anything या vision-language models पर बने tools इसे काफ़ी तेज़ कर सकते हैं। Deployment के लिए models आम तौर पर ONNX, TensorRT, Core ML या ऐसे ही formats में export किए जाते हैं।

Licensing और विकल्प

License पर ध्यान दीजिए। Ultralytics के models AGPL-3.0 के तहत release होते हैं, जिसके मुताबिक इन्हें इस्तेमाल करने वाला software आपको open-source करना होगा, जब तक आप commercial license न खरीदें। Permissive license वाले विकल्पों में YOLOX और RT-DETR तथा RF-DETR जैसे transformer-based real-time detectors शामिल हैं, जो अब accuracy में YOLO की बराबरी करते हैं या उससे आगे निकल जाते हैं।

YOLO-World और Grounding DINO जैसे open-vocabulary detectors बिना किसी training के text में बताए गए objects ढूँढ लेते हैं, पर speed और accuracy की कुछ कीमत पर। Vision-language models भी objects detect कर सकते हैं और prototyping तथा labeling के लिए उपयोगी हैं, लेकिन high-volume या real-time काम के लिए एक छोटा, trained detector आज भी कहीं ज़्यादा व्यावहारिक है।

← सभी शब्द
ESC