Các mô hình được hỗ trợ bởi Ultralytics

Q: What are the key advantages of using Ultralytics YOLOv8 for object detection?

Ultralytics YOLOv8 Cung cấp các chức năng nâng cao như phát hiện đối tượng theo thời gian thực, phân đoạn phiên bản, ước tính tư thế và phân loại. Kiến trúc được tối ưu hóa của nó đảm bảo hiệu suất tốc độ cao mà không làm giảm độ chính xác, làm cho nó trở nên lý tưởng cho nhiều ứng dụng khác nhau. YOLOv8 Cũng bao gồm khả năng tương thích tích hợp với các bộ dữ liệu và mô hình phổ biến, như chi tiết trên YOLOv8 trang tài liệu.

Chào mừng bạn đến với Ultralytics'Tài liệu mẫu! Chúng tôi cung cấp hỗ trợ cho một loạt các mô hình, mỗi mô hình phù hợp với các tác vụ cụ thể như phát hiện đối tượng, phân đoạn phiên bản, phân loại hình ảnh, ước tính tư thế và theo dõi đa đối tượng. Nếu bạn quan tâm đến việc đóng góp kiến trúc mô hình của mình cho Ultralytics, hãy xem Hướng dẫn đóng góp của chúng tôi.

Ultralytics Biểu đồ so sánh YOLO11

Mô hình nổi bật

Dưới đây là một số mô hình chính được hỗ trợ:

YOLOv3: Lần lặp lại thứ ba của YOLO họ mô hình, ban đầu bởi Joseph Redmon, được biết đến với khả năng phát hiện đối tượng thời gian thực hiệu quả.
YOLOv4: Bản cập nhật darknet gốc cho YOLOv3, được phát hành bởi Alexey Bochkovskiy vào năm 2020.
YOLOv5: Một phiên bản cải tiến của YOLO Kiến trúc của Ultralytics, cung cấp hiệu suất và tốc độ đánh đổi tốt hơn so với các phiên bản trước.
YOLOv6: Được Meituan phát hành vào năm 2022 và được sử dụng trong nhiều robot giao hàng tự động của công ty.
YOLOv7: Cập nhật YOLO mô hình được phát hành vào năm 2022 bởi các tác giả của YOLOv4.
YOLOv8 : Phiên bản mới nhất của YOLO gia đình, có các khả năng nâng cao như phân đoạn trường hợp , ước tính tư thế/điểm chính và phân loại.
YOLOv9: Một mô hình thử nghiệm được đào tạo trên Ultralytics YOLOv5 codebase triển khai Programmable Gradient Information (PGI).
YOLOv10: Bởi Đại học Thanh Hoa, có tính năng đào tạo không cần NMS và kiến trúc hướng đến độ chính xác hiệu quả, mang lại hiệu suất và độ trễ hiện đại.
YOLO11 🚀 MỚI : Ultralytics ' mới nhất YOLO các mô hình cung cấp hiệu suất tiên tiến (SOTA) trên nhiều tác vụ.
Mô hình phân khúc bất cứ thứ gì (SAM): Mô hình Segment Anything ban đầu của Meta (SAM).
Segment Anything Model 2 (SAM2): Thế hệ tiếp theo của mô hình Segment Anything của Meta (SAM) cho video và hình ảnh.
Mô hình phân khúc di động bất cứ điều gì (MobileSAM): MobileSAM cho các ứng dụng di động, bởi Đại học Kyung Hee.
Mô hình bất cứ điều gì phân đoạn nhanh (FastSAM): FastSAM bởi Nhóm phân tích hình ảnh & video, Viện Tự động hóa, Viện Hàn lâm Khoa học Trung Quốc.
YOLO-NAS: YOLO Mô hình tìm kiếm kiến trúc thần kinh (NAS).
Realtime Detection Transformers ( RT-DETR ) : Baidu PaddlePaddle Bộ chuyển đổi phát hiện thời gian thực ( RT-DETR ) các mô hình.
YOLO-Thế giới: Các mô hình phát hiện đối tượng từ vựng mở thời gian thực từ Tencent AI Lab.

Xem: Chạy Ultralytics YOLO mô hình chỉ trong một vài dòng mã.

Bắt đầu: Ví dụ sử dụng

Ví dụ này cung cấp đơn giản YOLO Ví dụ đào tạo và suy luận. Để biết tài liệu đầy đủ về các chế độ này và các chế độ khác, hãy xem các trang tài liệu Dự đoán, Đào tạo, Val và Xuất .

Lưu ý ví dụ dưới đây là dành cho YOLOv8 Phát hiện mô hình để phát hiện đối tượng . Để biết thêm các tác vụ được hỗ trợ, hãy xem tài liệu Segment , Classify và Pose .

Ví dụ

PythonCLI

PyTorch được đào tạo trước *.pt Mô hình cũng như cấu hình *.yaml Các tập tin có thể được chuyển đến YOLO(), SAM(), NAS() và RTDETR() các lớp để tạo một thể hiện mô hình trong Python:

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")

CLI Các lệnh có sẵn để chạy trực tiếp các mô hình:

# 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

Đóng góp mô hình mới

Quan tâm đến việc đóng góp mô hình của bạn cho Ultralytics? Tuyệt! Chúng tôi luôn sẵn sàng mở rộng danh mục mô hình của mình.

Fork the Repository: Bắt đầu bằng cách fork Ultralytics Kho lưu trữ GitHub.
Clone Your Fork: Clone fork của bạn vào máy cục bộ của bạn và tạo một nhánh mới để làm việc.
Triển khai mô hình của bạn: Thêm mô hình của bạn theo các tiêu chuẩn và hướng dẫn mã hóa được cung cấp trong Hướng dẫn đóng góp của chúng tôi.
Kiểm tra kỹ lưỡng: Đảm bảo kiểm tra mô hình của bạn một cách nghiêm ngặt, cả trong sự cô lập và là một phần của đường ống.
Tạo pull request: Khi bạn đã hài lòng với mô hình của mình, hãy tạo pull request đến kho lưu trữ chính để xem xét.
Code Review & Merging: Sau khi xem xét, nếu mô hình của bạn đáp ứng các tiêu chí của chúng tôi, nó sẽ được hợp nhất vào kho lưu trữ chính.

Để biết các bước chi tiết, hãy tham khảo Hướng dẫn đóng góp của chúng tôi.

FAQ

Những lợi thế chính của việc sử dụng là gì Ultralytics YOLOv8 để phát hiện đối tượng?

Ultralytics YOLOv8 cung cấp các khả năng nâng cao như phát hiện đối tượng theo thời gian thực, phân đoạn trường hợp, ước tính tư thế và phân loại. Kiến trúc được tối ưu hóa của nó đảm bảo hiệu suất tốc độ cao mà không làm giảm độ chính xác , khiến nó trở nên lý tưởng cho nhiều ứng dụng khác nhau. YOLOv8 cũng bao gồm khả năng tương thích tích hợp với các tập dữ liệu và mô hình phổ biến, như được nêu chi tiết trên trang tài liệu YOLOv8 .

Làm thế nào tôi có thể đào tạo một YOLOv8 Mô hình trên dữ liệu tùy chỉnh?

Đào tạo một YOLOv8 Mô hình trên dữ liệu tùy chỉnh có thể dễ dàng thực hiện bằng cách sử dụng Ultralytics' thư viện. Dưới đây là một ví dụ nhanh:

Ví dụ

PythonCLI

from ultralytics import YOLO

# Load a YOLOv8n model
model = YOLO("yolov8n.pt")

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

yolo train model=yolov8n.pt data='custom_data.yaml' epochs=100 imgsz=640

Để được hướng dẫn chi tiết hơn, hãy truy cập trang Tài liệu về tàu hỏa.

Nào YOLO Các phiên bản được hỗ trợ bởi Ultralytics?

Ultralytics Hỗ trợ một loạt các YOLO (You Only Look Once) các phiên bản từ YOLOv3 đến YOLOv10, cùng với các mô hình như NAS, SAMvà RT-DETR. Mỗi phiên bản được tối ưu hóa cho các tác vụ khác nhau như phát hiện, phân đoạn và phân loại. Để biết thông tin chi tiết về từng kiểu máy, hãy tham khảo Các mô hình được hỗ trợ bởi Ultralytics tư liệu.

Tại sao tôi nên sử dụng Ultralytics HUB cho các dự án học máy ?

Ultralytics HUB cung cấp một nền tảng không mã, end-to-end để đào tạo, triển khai và quản lý YOLO Mô hình. Nó đơn giản hóa quy trình làm việc phức tạp, cho phép người dùng tập trung vào hiệu suất và ứng dụng mô hình. HUB cũng cung cấp khả năng đào tạo đám mây, quản lý tập dữ liệu toàn diện và giao diện thân thiện với người dùng. Tìm hiểu thêm về nó trên Ultralytics Trang tài liệu HUB.

Những loại nhiệm vụ nào có thể YOLOv8 thực hiện, và nó so sánh với các loại khác như thế nào YOLO Phiên bản?

YOLOv8 là một mô hình đa năng có khả năng thực hiện các tác vụ bao gồm phát hiện đối tượng, phân đoạn phiên bản, phân loại và ước tính tư thế. So với các phiên bản trước đó như YOLOv3 và YOLOv4, YOLOv8 Cung cấp những cải tiến đáng kể về tốc độ và độ chính xác do kiến trúc được tối ưu hóa của nó. Để so sánh sâu hơn, hãy tham khảo YOLOv8 tài liệu và trang Nhiệm vụ để biết thêm chi tiết về các nhiệm vụ cụ thể.

📅 Được tạo cách đây 1 năm ✏️ Đã cập nhật cách đây 28 ngày