Bỏ để qua phần nội dung

Các mô hình được hỗ trợ bởi Ultralytics

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 thếtheo 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.

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

  1. 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.
  2. YOLOv4: Bản cập nhật darknet gốc cho YOLOv3, được phát hành bởi Alexey Bochkovskiy vào năm 2020.
  3. 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.
  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: Cập nhật YOLO mô hình được phát hành vào năm 2022 bởi các tác giả của YOLOv4.
  6. YOLOv8 MỚI : 🚀 Phiên bản mới nhất của YOLO Dòng sản phẩm, có các chức năng nâng cao như phân đoạn phiên bản, ước tính tư thế/điểm chính và phân loại.
  7. YOLOv9: Một mô hình thử nghiệm được đào tạo trên Ultralytics YOLOv5 codebase triển khai Programmable Gradient Information (PGI).
  8. 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.
  9. Mô hình phân khúc bất cứ thứ gì (SAM): Mô hình phân khúc bất cứ thứ gì của Meta (SAM).
  10. Mô hình phân khúc di động bất cứ điều gì (MobileSAM): MobileSAM cho các ứng dụng di động, bởi Đại học Kyung Hee.
  11. 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.
  12. YOLO-NAS: YOLO Mô hình tìm kiếm kiến trúc thần kinh (NAS).
  13. Máy biến áp phát hiện thời gian thực (RT-DETR): Baidu của PaddlePaddle Biến áp phát hiện thời gian thực (RT-DETR) mô hình.
  14. 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, ValXuất .

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

Ví dụ

PyTorch được đào tạo trước *.pt Mô hình cũng như cấu hình *.yaml Các tập tin có thể được chuyển đến YOLO(), SAM(), NAS()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.

  1. Fork the Repository: Bắt đầu bằng cách fork Ultralytics Kho lưu trữ GitHub.

  2. Clone Your Fork: Clone fork của bạn vào máy cục bộ của bạn 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 trong sự cô lập và là một phần của đường ống.

  5. 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.

  6. 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.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (11), Laughing-q (1)

Ý kiến