Ultralytics YOLO 综合教程

欢迎来到 Ultralytics 的 YOLO 🚀 指南！我们全面的教程涵盖了 YOLO 对象检测模型的各个方面，从训练和预测到部署。YOLO 构建于 PyTorch 之上，以其卓越的速度和准确性在实时对象检测任务中脱颖而出。

无论您是深度学习的初学者还是专家，我们的教程都为您在计算机视觉项目中实施和优化 YOLO 提供了宝贵的见解。让我们开始吧！

观看： Ultralytics YOLO11 指南概览

指南

以下是深度指南的汇编，旨在帮助您掌握 Ultralytics YOLO 的各个方面。

YOLO 常见问题 ⭐ 推荐：使用 Ultralytics YOLO 模型时最常遇到的问题的实用解决方案和故障排除技巧。
YOLO 性能指标 ⭐ 必读：了解用于评估 YOLO 模型性能的关键指标，如 mAP、IoU 和 F1 score。包括关于如何提高检测准确性和速度的实用示例和技巧。
YOLO 线程安全推理 🚀 新功能：以线程安全的方式使用 YOLO 模型执行推理的指南。了解线程安全的重要性以及防止竞争条件并确保一致预测的最佳实践。
YOLO 数据增强 🚀 最新：掌握 YOLO 中完整的数据增强技术，从基本转换到提高模型稳健性和性能的高级策略。
模型部署选项：YOLO 模型部署格式（如 ONNX、OpenVINO 和 TensorRT）的概述，其中包含每种格式的优缺点，以便为您的部署策略提供参考。
模型 YAML 配置指南🚀 新内容：全面深入了解Ultralytics 的模型架构定义。探索 YAML 格式，了解模块解析系统，学习如何无缝集成自定义模块。
K 折交叉验证 🚀 新功能：了解如何使用 K 折交叉验证技术来提高模型的泛化能力。
超参数调优 🚀 新功能：了解如何使用 Tuner 类和遗传进化算法微调超参数来优化 YOLO 模型。
SAHI 分块推理 🚀 新功能：关于将 SAHI 的分片推理功能与 YOLO11 结合使用，以在高分辨率图像中进行对象检测的综合指南。
AzureML 快速入门 🚀 新功能：开始在 Microsoft Azure 机器学习平台上使用 Ultralytics YOLO 模型。了解如何在云中训练、部署和扩展您的对象检测项目。
Conda 快速入门 🚀 新功能：设置 Ultralytics Conda环境的分步指南。了解如何使用 Conda 有效地安装和开始使用 Ultralytics 软件包。
Docker 快速入门 🚀 新功能：使用 Docker 设置和使用 Ultralytics YOLO 模型的完整指南。了解如何安装 Docker、管理 GPU 支持以及在隔离的容器中运行 YOLO 模型，以实现一致的开发和部署。
Raspberry Pi 🚀 新功能：在最新的 Raspberry Pi 硬件上运行 YOLO 模型的快速入门教程。
NVIDIA Jetson 🚀 新功能：在 NVIDIA Jetson 设备上部署 YOLO 模型的快速入门指南。
NVIDIA Jetson 上的 DeepStream 🚀 新功能：使用 DeepStream 和 TensorRT 在 NVIDIA Jetson 设备上部署 YOLO 模型的快速入门指南。
Triton 推理服务器集成 🚀 新功能：深入了解 Ultralytics YOLO11 与 NVIDIA 的 Triton 推理服务器的集成，以实现可扩展且高效的深度学习推理部署。
隔离分割对象 🚀 新功能：关于如何使用 Ultralytics Segmentation 从图像中提取和/或隔离对象的分步方法和说明。
Raspberry Pi 上的 Edge TPU：Google Edge TPU 加速了 Raspberry Pi 上的 YOLO 推理。
在终端中查看推理图像：使用 VSCode 的集成终端在使用远程隧道或 SSH 会话时查看推理结果。
OpenVINO 延迟与吞吐量模式 - 学习延迟和吞吐量优化技术，以获得最佳 YOLO 推理性能。
ROS 快速入门 🚀 最新：了解如何将 YOLO 与机器人操作系统 (ROS) 集成，以在机器人应用中进行实时对象检测，包括点云和深度图像。
计算机视觉项目的步骤 🚀 新功能：了解计算机视觉项目中的关键步骤，包括定义目标、选择模型、准备数据和评估结果。
定义计算机视觉项目的目标 🚀 最新：了解如何有效地为您的计算机视觉项目定义清晰且可衡量的目标。了解明确的问题陈述的重要性，以及它如何为您的项目创建路线图。
数据收集与标注 🚀 最新：探索用于收集和标注数据的工具、技术和最佳实践，从而为您的计算机视觉模型创建高质量的输入。
预处理标注数据 🚀 最新：了解在计算机视觉项目中使用 YOLO11 预处理和增强图像数据的方法，包括标准化、数据集增强、分割和探索性数据分析 (EDA)。
模型训练技巧 🚀 最新：探索优化批量大小、使用混合精度、应用预训练权重等技巧，让您的计算机视觉模型训练变得轻而易举。
模型评估和微调的见解 🚀 最新：深入了解评估和微调计算机视觉模型的策略和最佳实践。了解优化模型的迭代过程，以获得最佳结果。
模型测试指南 🚀 最新：一份关于在实际环境中测试计算机视觉模型的全面指南。了解如何验证与项目目标相符的准确性、可靠性和性能。
模型部署的最佳实践 🚀 最新：了解在计算机视觉项目中有效部署模型的技巧和最佳实践，重点关注优化、故障排除和安全性。
维护您的计算机视觉模型 🚀 最新：了解监控、维护和记录计算机视觉模型的关键实践，以保证准确性、发现异常并减轻数据漂移。
使用 Docker 进行 Vertex AI 部署 🚀 最新：简化了使用 Docker 容器化 YOLO 模型并将其部署在 Google Cloud Vertex AI 上的指南，涵盖构建、推送、自动缩放和监控。

为我们的指南做贡献

我们欢迎社区的贡献！如果您掌握了 Ultralytics YOLO 的某个特定方面，而我们的指南中尚未涵盖，我们鼓励您分享您的专业知识。编写指南是回馈社区的好方法，并帮助我们使文档更全面、更方便用户使用。

要开始使用，请阅读我们的贡献指南，了解如何发起 Pull Request (PR) 🛠️。我们期待您的贡献！

让我们携手合作，使 Ultralytics YOLO 生态系统更加强大和通用 🙏！

常见问题

如何使用 Ultralytics YOLO 训练自定义对象检测模型？

使用 Ultralytics YOLO 训练自定义对象检测模型非常简单。首先，以正确的格式准备您的数据集并安装 Ultralytics 软件包。使用以下代码启动训练：

示例

PythonCLI

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load a pre-trained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

yolo task=detect mode=train model=yolo11n.pt data=path/to/dataset.yaml epochs=50

有关详细的数据集格式和更多选项，请参阅我们的模型训练技巧指南。

我应该使用哪些性能指标来评估我的 YOLO 模型？

评估您的 YOLO 模型性能对于了解其有效性至关重要。关键指标包括平均精度均值 (mAP)、交并比 (IoU) 和 F1 分数。这些指标有助于评估对象检测任务的准确性和精度。您可以在我们的YOLO 性能指标指南中了解有关这些指标以及如何改进模型的更多信息。

为什么我应该为我的计算机视觉项目使用 Ultralytics HUB？

Ultralytics HUB 是一个无需代码的平台，可简化 YOLO 模型的管理、训练和部署。它支持无缝集成、实时跟踪和云训练，非常适合初学者和专业人士。通过我们的Ultralytics HUB快速入门指南，了解更多关于其功能以及它如何简化您的工作流程的信息。

在 YOLO 模型训练期间，常见的挑战有哪些？我该如何解决它们？

YOLO 模型训练期间的常见问题包括数据格式错误、模型架构不匹配和训练数据不足。为了解决这些问题，请确保您的数据集格式正确，检查兼容的模型版本，并扩充您的训练数据。有关解决方案的完整列表，请参阅我们的YOLO 常见问题指南。

如何部署我的 YOLO 模型，以便在边缘设备上进行实时对象检测？

在 NVIDIA Jetson 和 Raspberry Pi 等边缘设备上部署 YOLO 模型需要将模型转换为兼容的格式，例如 TensorRT 或 TFLite。请按照我们关于NVIDIA Jetson和Raspberry Pi部署的分步指南开始在边缘硬件上进行实时对象检测。这些指南将引导您完成安装、配置和性能优化。

📅 创建于 1 年前 ✏️ 更新于 3 天前