中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Tài liệu Ultralytics YOLO#
Ultralytics YOLO là một họ mô hình thị giác máy tính thời gian thực dành cho phát hiện đối tượng, phân đoạn thực thể, phân đoạn ngữ nghĩa, ước tính độ sâu, phân loại, ước tính tư thế, hộp bao có hướng và theo dõi, có sẵn thông qua một gói Python và CLI duy nhất. YOLO26 được xây dựng trên các tiến bộ về học sâu và thị giác máy tính, nổi bật với khả năng suy luận đầu cuối không cần NMS và triển khai biên được tối ưu hóa. Thiết kế hợp lý của mô hình giúp mô hình phù hợp với nhiều ứng dụng khác nhau và dễ dàng thích ứng với các nền tảng phần cứng khác nhau, từ thiết bị biên đến các API đám m cảng. Đối với các khối lượng công việc sản xuất ổn định, cả YOLO26 và YOLO11 đều được khuyến nghị.
Khám phá Tài liệu Ultralytics, một nguồn tài nguyên toàn diện bao gồm gói YOLO và CLI cũng như Nền tảng Ultralytics, bổ sung tính năng chú thích dữ liệu, huấn luyện trên đám mây và triển khai dựa trên các mô hình tương tự. Cho dù bạn là một kỹ sư học máy kỳ cựu hay mới gia nhập lĩnh vực này, các tài nguyên này sẽ giúp bạn tận dụng tối đa YOLO trong các dự án của mình.
Yêu cầu Giấy phép Doanh nghiệp để sử dụng thương mại tại Cấp phép Ultralytics.
Biến một bức ảnh đơn thành bản đồ độ sâu, khoảng cách tính bằng mét cho mọi pixel.
Bắt đầu chỉ trong Hai Câu lệnh#
# Install the ultralytics package from PyPI
pip install ultralytics
# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'Trọng số mô hình và hình ảnh ví dụ sẽ tự động tải xuống, và kết quả được chú thích sẽ được lưu vào runs/detect/predict.
Xem hướng dẫn Bắt đầu nhanh để tham khảo toàn bộ về cài đặt và cách sử dụng.
Bạn Muốn Làm Gì?#
Tinh chỉnh mô hình YOLO26 đã được huấn luyện trước trên tập dữ liệu của riêng bạn, tinh chỉnh các phép tăng cường và siêu tham số cho việc huấn luyện đa GPU
Tải một mô hình đã huấn luyện trước và nhận các hộp bao, mặt nạ hoặc điểm khóa trong một vài dòng mã Python hoặc một lệnh CLI duy nhất
Theo dõi đối tượng với ID liên tục sử dụng TrackTrack (mặc định), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT, hoặc FastTracker
Các ứng dụng thị giác có sẵn để đếm đối tượng, bản đồ nhiệt, quản lý hàng đợi, báo động an ninh và tập luyện, không cần huấn luyện
Xuất các mô hình đã huấn luyện sang ONNX, TensorRT hoặc OpenVINO để suy luận nhanh trên thiết bị biên, phần cứng di động và máy chủ đám mây
So sánh YOLO26, YOLO11, SAM 3, RT-DETR và mọi kiến trúc được hỗ trợ khác theo tốc độ, độ chính xác và trường hợp sử dụng
Tra cứu các lớp, hàm và chữ ký phương thức cho API Python, được tạo tự động từ mã nguồn ở mọi phiên bản phát hành mới
Họ mô hình mới nhất của Ultralytics mang lại khả năng suy luận đầu cuối, không cần NMS với sự đánh đổi độ chính xác-độ trễ được cải thiện so với YOLO11
Cách Các Tài Liệu Này Được Tổ Chức#
Hầu hết các lệnh quy trình làm việc mô hình yolo tuân theo một ngữ pháp, yolo [TASK] MODE ARGS, trong đó Task là tùy chọn, và các tài liệu này được tổ chức xung quanh ba phần giống nhau, cộng với một phím tắt:
- Task trả lời những gì bạn muốn từ một hình ảnh: detection, instance segmentation, semantic segmentation, depth estimation, classification, pose estimation hoặc oriented boxes.
- Mode trả lời cách bạn sử dụng một mô hình: train, validate, predict, export, track hoặc benchmark.
- Args cấu hình lệnh, từ model nào để chạy với
model=đến các siêu tham số nhưepochsvàimgsz. - Solutions là phím tắt: một ứng dụng hoàn chỉnh, như đếm đối tượng hoặc báo động an ninh, bỏ qua hoàn toàn Task và Mode.
Mọi thứ khác đều hỗ trợ ngữ pháp đó: Models liệt kê mọi kiến trúc bạn có thể truyền vào model= — YOLO26, YOLO11, SAM 3, RT-DETR và nhiều hơn nữa — Datasets cung cấp những gì mỗi Task huấn luyện trên đó, Guides là một bộ sưu tập rộng lớn các hướng dẫn chi tiết trải dài từ triển khai phần cứng, tinh chỉnh siêu tham số, chuyển đổi tập dữ liệu cho đến các hướng dẫn dự án toàn diện, Integrations kết nối đường ống với các công cụ huấn luyện và triển khai mà bạn đã sử dụng, và phần Reference tài liệu hóa mọi lớp và hàm trong API Python.
Ngoài gói Python, còn có hai bề mặt khác chạy trên cùng các mô hình: Nền tảng Ultralytics để chú thích, huấn luyện và triển khai trên đám mây, và Ultralytics Inference, một thư viện Rust độc lập và CLI để chạy các mô hình đã xuất mà không cần môi trường thời gian chạy Python.
Giấy phép YOLO: Ultralytics YOLO được cấp phép như thế nào?#
Ultralytics cung cấp hai tùy chọn cấp phép để đáp ứng các trường hợp sử dụng đa dạng:
- Giấy phép AGPL-3.0: Giấy phép mã nguồn mở được OSI phê duyệt này lý tưởng cho sinh viên và những người có sở thích, thúc đẩy sự cộng tác mở và chia sẻ kiến thức. Xem tệp LICENSE để biết thêm chi tiết.
- Giấy phép Enterprise: Dành cho mục đích phát triển và production, giấy phép này cho phép tích hợp liền mạch phần mềm và các model AI của Ultralytics vào sản phẩm và dịch vụ doanh nghiệp, bao gồm công cụ nội bộ, workflow tự động và các hệ thống triển khai production, không phải tuân theo các yêu cầu nguồn mở của AGPL-3.0. Để bắt đầu, vui lòng liên hệ với chúng tôi qua Ultralytics Licensing.
Chiến lược cấp phép của chúng tôi được thiết kế để đảm bảo rằng mọi cải tiến đối với các dự án mã nguồn mở của chúng tôi đều được trả lại cho cộng đồng. Chúng tôi tin tưởng vào mã nguồn mở và sứ mệnh của chúng tôi là đảm bảo rằng các đóng góp của chúng tôi có thể được sử dụng và mở rộng theo những cách mang lại lợi ích cho tất cả mọi người.
FAQ#
Ultralytics YOLO là dòng YOLO nổi tiếng (You Only Look Once) dành cho phát hiện đối tượng thời gian thực và phân đoạn hình ảnh. Mô hình mới nhất, YOLO26, dựa trên các phiên bản trước bằng cách giới thiệu suy luận đầu cuối không cần NMS và triển khai biên được tối ưu hóa. YOLO hỗ trợ các tác vụ AI thị giác khác nhau như detection, instance segmentation, semantic segmentation, depth estimation, classification, pose estimation và oriented bounding boxes, và có thể track các đối tượng được phát hiện qua các khung hình video. Kiến trúc hiệu quả của mô hình đảm bảo tốc độ và độ chính xác tuyệt vời, giúp mô hình phù hợp với nhiều ứng dụng khác nhau, bao gồm thiết bị biên và các API đám mây.
Bắt đầu với YOLO rất nhanh chóng và đơn giản. Cài đặt gói Ultralytics từ pip với
pip install ultralytics, sau đó chạy dự đoán đầu tiên của bạn vớiyolo predict model=yolo26n.pt— trọng số mô hình tự động tải xuống. Để có hướng dẫn toàn diện bao gồm conda, Docker và cài đặt từ mã nguồn, hãy truy cập trang Bắt đầu nhanh.Huấn luyện một mô hình YOLO tùy chỉnh trên tập dữ liệu của bạn bao gồm một số bước chi tiết:
- Chuẩn bị tập dữ liệu đã chú thích của bạn và mô tả nó trong một tệp YAML tập dữ liệu.
- Tải một mô hình đã huấn luyện trước, ví dụ
YOLO("yolo26n.pt")trong Python. - Bắt đầu huấn luyện với
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)hoặc từ dòng lệnh vớiyolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.
Để có hướng dẫn chi tiết, hãy xem hướng dẫn Huấn luyện một Mô hình của chúng tôi, bao gồm các ví dụ và mẹo để tối ưu hóa quá trình huấn luyện của bạn.
Ultralytics cung cấp hai tùy chọn cấp phép cho YOLO:
- Giấy phép AGPL-3.0: Giấy phép mã nguồn mở này lý tưởng cho mục đích giáo dục và phi thương mại, thúc đẩy sự cộng tác mở.
- Giấy phép Doanh nghiệp: Dành cho việc sử dụng phát triển và sản xuất, bao gồm các công cụ nội bộ, quy trình tự động và triển khai sản xuất, bỏ qua các yêu cầu mã nguồn mở của AGPL-3.0.
Để biết thêm chi tiết, hãy truy cập trang Cấp phép của chúng tôi.
Ultralytics YOLO hỗ trợ theo dõi đa đối tượng hiệu quả và có thể tùy chỉnh. Gọi
YOLO("yolo26n.pt").track(source="path/to/video.mp4")trong Python hoặc chạyyolo track source=path/to/video.mp4từ dòng lệnh — cả hai đều hoạt động với tệp video, luồng trực tiếp và đầu vào webcam. Để có hướng dẫn chi tiết về thiết lập và chạy theo dõi đối tượng, hãy xem tài liệu Chế độ Theo dõi của chúng tôi, giải thích cấu hình và các ứng dụng thực tế trong các kịch bản thời gian thực.
