द्वारा समर्थित मॉडल Ultralytics

आपका स्वागत है Ultralytics' मॉडल प्रलेखन! हम मॉडल की एक विस्तृत श्रृंखला के लिए समर्थन प्रदान करते हैं, प्रत्येक ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, इमेज क्लासिफिकेशन, पोज़ अनुमान और मल्टी-ऑब्जेक्ट ट्रैकिंग जैसे विशिष्ट कार्यों के अनुरूप है। यदि आप अपने मॉडल आर्किटेक्चर में योगदान करने में रुचि रखते हैं Ultralytics, हमारी योगदानकर्ता मार्गदर्शिका देखें।

विशेष रुप से प्रदर्शित मॉडल

यहां कुछ प्रमुख मॉडल समर्थित हैं:

1. YOLOv3: का तीसरा पुनरावृत्ति YOLO मॉडल परिवार, मूल रूप से जोसेफ रेडमोन द्वारा, अपनी कुशल वास्तविक समय वस्तु का पता लगाने की क्षमताओं के लिए जाना जाता है।
2. YOLOv4: YOLOv3 के लिए एक डार्कनेट-नेटिव अपडेट, 2020 में एलेक्सी बोचकोवस्की द्वारा जारी किया गया।
3. YOLOv5: का एक उन्नत संस्करण YOLO आर्किटेक्चर बाय Ultralytics, पिछले संस्करणों की तुलना में बेहतर प्रदर्शन और गति व्यापार-बंद की पेशकश।
4. YOLOv6: 2022 में Meituan द्वारा जारी किया गया, और कंपनी के कई स्वायत्त डिलीवरी रोबोटों में उपयोग में है।
5. YOLOv7: अपडेट किया गया YOLO YOLOv2022 के लेखकों द्वारा 4 में जारी किए गए मॉडल।
6. YOLOv8 नई 🚀 : का नवीनतम संस्करण YOLO परिवार, उदाहरण विभाजन, मुद्रा / कीपॉइंट्स अनुमान और वर्गीकरण जैसी बढ़ी हुई क्षमताओं की विशेषता है।
7. YOLOv9: एक प्रायोगिक मॉडल पर प्रशिक्षित Ultralytics YOLOv5 प्रोग्रामेबल ग्रेडिएंट इंफॉर्मेशन (PGI) को लागू करने वाला कोडबेस।
8. सेगमेंट कुछ भी मॉडल (SAM): मेटा का सेगमेंट एनीथिंग मॉडल (SAM).
9. मोबाइल सेगमेंट कुछ भी मॉडल (MobileSAM):MobileSAM मोबाइल एप्लिकेशन के लिए, क्यूंग ही विश्वविद्यालय द्वारा।
10. फास्ट सेगमेंट कुछ भी मॉडल (FastSAM):FastSAM छवि और वीडियो विश्लेषण समूह, स्वचालन संस्थान, चीनी विज्ञान अकादमी द्वारा।
11. YOLO-NAS: YOLO तंत्रिका वास्तुकला खोज (NAS) मॉडल।
12. रीयलटाइम डिटेक्शन ट्रांसफॉर्मर (RT-DETR): Baidu का PaddlePaddle रीयलटाइम डिटेक्शन ट्रांसफार्मर (RT-DETR) मॉडल।
13. YOLO-World: Tencent AI लैब से रीयल-टाइम ओपन वोकैबुलरी ऑब्जेक्ट डिटेक्शन मॉडल।

सतर्कता: चलाना Ultralytics YOLO कोड की कुछ ही पंक्तियों में मॉडल।

प्रारंभ करना: उपयोग के उदाहरण

यह उदाहरण सरल प्रदान करता है YOLO प्रशिक्षण और अनुमान उदाहरण। इन और अन्य मोड पर पूर्ण प्रलेखन के लिए भविष्यवाणी, ट्रेन, वैल और निर्यात डॉक्स पृष्ठ देखें।

ध्यान दें कि नीचे दिया गया उदाहरण YOLOv8 ऑब्जेक्ट डिटेक्शन के लिए मॉडल का पता लगाएं। अतिरिक्त समर्थित कार्यों के लिए सेगमेंट, वर्गीकृत करें और पोज़ करें दस्तावेज़ देखें.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model('path/to/bus.jpg')

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

नए मॉडल का योगदान

अपने मॉडल में योगदान करने में रुचि रखते हैं Ultralytics? शानदार! हम अपने मॉडल पोर्टफोलियो का विस्तार करने के लिए हमेशा खुले हैं।

1. रिपॉजिटरी को फोर्क करें: फोर्क करके शुरू करें Ultralytics GitHub रिपॉजिटरी।

2. अपना कांटा क्लोन करें: अपने कांटे को अपनी स्थानीय मशीन पर क्लोन करें और काम करने के लिए एक नई शाखा बनाएं।

3. अपने मॉडल को लागू करें: हमारे योगदान गाइड में दिए गए कोडिंग मानकों और दिशानिर्देशों का पालन करते हुए अपना मॉडल जोड़ें।

4. अच्छी तरह से परीक्षण करें: अपने मॉडल का सख्ती से परीक्षण करना सुनिश्चित करें, दोनों अलगाव में और पाइपलाइन के हिस्से के रूप में।

5. एक पुल अनुरोध बनाएं: एक बार जब आप अपने मॉडल से संतुष्ट हो जाते हैं, तो समीक्षा के लिए मुख्य भंडार में एक पुल अनुरोध बनाएं।

6. कोड समीक्षा और विलय: समीक्षा के बाद, यदि आपका मॉडल हमारे मानदंडों को पूरा करता है, तो इसे मुख्य भंडार में मिला दिया जाएगा।

विस्तृत चरणों के लिए, हमारी योगदानकर्ता मार्गदर्शिका देखें।

टिप्पणियाँ