Các mô hình được hỗ trợ bởi Ultralytics

Chào mừng đến với Ultralytics 'tài liệu mô hình! Chúng tôi cung cấp hỗ trợ cho nhiều mô hình, mỗi mô hình được thiết kế riêng cho các tác vụ cụ thể như phát hiện đối tượng , phân đoạn thể hiện , phân loại hình ảnh , ước tính tư thế và theo dõi nhiều 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.

Các mẫu nổi bật

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

1. YOLOv3 : Lần lặp thứ ba của YOLO họ mô hình, ban đầu được Joseph Redmon thiết kế, nổi tiếng với khả năng phát hiện vật thể hiệu quả theo thời gian thực.
2. YOLOv4 : Bản cập nhật gốc darknet cho YOLOv3, được Alexey Bochkovskiy phát hành vào năm 2020.
3. YOLOv5 : Phiên bản cải tiến của YOLO kiến trúc bởi Ultralytics , mang lại hiệu suất và tốc độ tốt hơn so với các phiên bản trước.
4. YOLOv6 : Được Meituan phát hành vào năm 2022 và được sử dụng trong nhiều robot giao hàng tự động của công ty.
5. YOLOv7 : Đã cập nhật YOLO các mô hình được phát hành vào năm 2022 bởi tác giả YOLOv4.
6. 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.
7. YOLOv9 : Một mô hình thử nghiệm được đào tạo trên Ultralytics Cơ sở mã YOLOv5 triển khai Thông tin Gradient có thể lập trình (PGI).
8. YOLOv10 : Do Đại học Thanh Hoa phát triển, cung cấp chương trình đào tạo không cần NMS và kiến trúc hướng đến hiệu quả-độ chính xác, mang lại hiệu suất và độ trễ tiên tiến.
9. YOLO11 🚀 MỚI : Ultralytics ' mới nhất YOLO các mô hình cung cấp hiệu suất tiên tiến (SOTA) trên nhiều tác vụ.
10. Mô hình phân đoạn bất kỳ ( SAM ) : Mô hình phân đoạn bất kỳ ban đầu của Meta ( SAM ).
11. Mô hình phân đoạn bất kỳ thứ gì 2 ( SAM2 ) : Thế hệ tiếp theo của Mô hình phân đoạn bất kỳ thứ gì của Meta ( SAM ) dành cho video và hình ảnh.
12. Mô hình phân khúc di động bất kỳ ( MobileSAM ) : MobileSAM cho các ứng dụng di động, của Đại học Kyung Hee.
13. Mô hình Fast Segment Anything ( FastSAM ) : FastSAM bởi Nhóm phân tích hình ảnh và video, Viện tự động hóa, Viện Hàn lâm khoa học Trung Quốc.
14. YOLO -NAS : YOLO Mô hình tìm kiếm kiến trúc nơ-ron (NAS).
15. Realtime Detection Transformers ( RT-DETR ) : Baidu PaddlePaddle Bộ chuyển đổi phát hiện thời gian thực ( RT-DETR ) các mô hình.
16. YOLO -World : Các mô hình phát hiện đối tượng từ vựng mở thời gian thực từ Phòng thí nghiệm AI của Tencent.

Đồng hồ: Chạy Ultralytics YOLO mô hình chỉ trong vài dòng mã.

Bắt đầu: Ví dụ sử dụng

Ví dụ này cung cấp đơn giản YOLO ví dụ về 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 Predict , Train , Val và Export .

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 .

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

Đóng góp các mô hình mới

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

1. Phân nhánh kho lưu trữ : Bắt đầu bằng cách phân nhánh kho lưu trữ GitHub Ultralytics .

2. Sao chép nhánh của bạn : Sao chép nhánh của bạn vào máy cục bộ và tạo một nhánh mới để làm việc.

3. 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.

4. Kiểm tra kỹ lưỡng : Đảm bảo kiểm tra mô hình của bạn một cách nghiêm ngặt, cả khi độc lập và khi là một phần của quy trình.

5. Tạo Yêu cầu kéo : Khi bạn đã hài lòng với mô hình của mình, hãy tạo yêu cầu kéo tới kho lưu trữ chính để xem xét.

6. Đánh giá và hợp nhất mã : Sau khi đánh giá, 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.

CÂU HỎI THƯỜNG GẶP

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

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. Đây là một ví dụ nhanh:

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 biết hướng dẫn chi tiết hơn, hãy truy cập trang tài liệu Train .

Cái mà YOLO các phiên bản được hỗ trợ bởi Ultralytics ?

Ultralytics hỗ trợ một loạt các YOLO (Bạn chỉ nhìn một lần) các phiên bản từ YOLOv3 đến YOLOv10, cùng với các mô hình như NAS, SAM , Và RT-DETR . Mỗi phiên bản được tối ưu hóa cho nhiều tác vụ khác nhau như phát hiện, phân đoạn và phân loại. Để biết thông tin chi tiết về từng mô hình, hãy tham khảo tài liệu Các mô hình được Ultralytics hỗ trợ .

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

Ultralytics HUB cung cấp một nền tảng không cần mã, đầu cuối để đào tạo, triển khai và quản lý YOLO models. Nó đơn giản hóa các quy trình làm việc phức tạp, cho phép người dùng tập trung vào hiệu suất và ứng dụng của 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 trang tài liệu Ultralytics HUB .

Những loại nhiệm vụ nào có thể YOLOv8 thực hiện và nó so sánh với những cái khác như thế nào YOLO phiên bản?

YOLOv8 là một mô hình đa năng có khả năng thực hiện các nhiệm vụ bao gồm phát hiện đối tượng, phân đoạn thể hiện, 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. Để so sánh sâu hơn, hãy tham khảo tài liệu YOLOv8 và các trang Nhiệm vụ để biết thêm chi tiết về các nhiệm vụ cụ thể.

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 1 tháng

Bình luận