Ultralytics YOLO 综合教程

欢迎来到 Ultralytics YOLO 指南。我们的综合教程涵盖了 YOLO 目标检测模型的各个方面，从训练和预测到部署。YOLO 基于 PyTorch 构建，以其在实时目标检测任务中的卓越速度和准确性而著称。

无论你是深度学习的初学者还是专家，我们的教程都能为你提供关于 YOLO 在计算机视觉项目中实现与优化的宝贵见解。

指南

这里汇集了深入的指南，帮助你掌握 Ultralytics YOLO 的不同方面。

• 模型测试指南：一份详尽的指南，教你如何在真实场景中测试计算机视觉模型。了解如何根据项目目标验证模型的准确性、可靠性和性能。
• AzureML 快速入门：在 Microsoft Azure 机器学习平台上启动并运行 Ultralytics YOLO 模型。学习如何在云端训练、部署和扩展你的目标检测项目。
• 模型部署最佳实践：了解在计算机视觉项目中高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。
• COCO 转 YOLO 格式：将 COCO JSON 标注转换为 YOLO 训练格式的完整指南。涵盖检测、分割和关键点，并针对 CVAT、Label Studio 和 Roboflow 提供了特定工具的建议。
• COCO JSON 训练：使用自定义数据集类和训练器，直接在 COCO JSON 标注上训练 YOLO，无需转换为 YOLO 格式。
• Conda 快速入门：为 Ultralytics 设置 Conda 环境的分步指南。学习如何使用 Conda 高效地安装和启动 Ultralytics 软件包。
• 自定义训练器：学习如何通过子类化 YOLO 训练器来记录自定义指标、添加类加权损失、自定义模型保存、冻结/解冻主干网络以及设置逐层学习率。
• 数据收集与标注：探索为计算机视觉模型创建高质量输入数据所需的工具、技术和最佳实践。
• NVIDIA Jetson 上的 DeepStream：使用 DeepStream 和 TensorRT 在 NVIDIA Jetson 设备上部署 YOLO 模型的快速入门指南。
• 定义计算机视觉项目的目标：了解如何为计算机视觉项目有效地定义清晰且可衡量的目标。了解明确的问题陈述的重要性，以及它如何为你的项目创建路线图。
• Docker 快速入门：设置并使用 Docker 运行 Ultralytics YOLO 模型的完整指南。学习如何安装 Docker、管理 GPU 支持，并在隔离容器中运行 YOLO 模型以实现一致的开发与部署。
• Raspberry Pi 上的 Edge TPU：Google Edge TPU 可加速 Raspberry Pi 上的 YOLO 推理。
• 端到端检测：理解 YOLO26 的无 NMS 端到端检测、导出兼容性、输出格式更改以及如何从旧版 YOLO 模型迁移。
• 导出非 YOLO 模型：使用 Ultralytics 独立导出工具将任何 torch.nn.Module（timm、torchvision、自定义）转换为 ONNX、TorchScript、OpenVINO、CoreML、NCNN、MNN、PaddlePaddle、ExecuTorch 和 TensorFlow SavedModel。
• 在自定义数据上微调 YOLO：在自定义数据集上微调 YOLO26 的完整指南，涵盖预训练权重、迁移学习、层冻结、优化器选择、两阶段训练及故障排除。
• 超参数调优：探索如何使用 Tuner 类和遗传进化算法微调超参数，从而优化你的 YOLO 模型。
• 模型评估与微调见解：获取有关评估和微调计算机视觉模型的策略和最佳实践的见解。了解通过迭代优化模型以实现最佳结果的过程。
• 分离分割对象：使用 Ultralytics Segmentation 从图像中提取和/或分离对象的分步说明和解释。
• K 折交叉验证：学习如何使用 K 折交叉验证技术提高模型的泛化能力。
• 维护计算机视觉模型：了解监控、维护和记录计算机视觉模型的关键做法，以保证准确性、识别异常并减轻数据漂移。
• 模型部署选项：概述 YOLO 模型部署格式（如 ONNX、OpenVINO 和 TensorRT），并分析每种格式的优缺点，为你的部署策略提供参考。
• 模型 YAML 配置指南：深入探讨 Ultralytics 的模型架构定义。探索 YAML 格式，理解模块解析系统，并学习如何无缝集成自定义模块。
• NVIDIA DALI GPU 预处理：通过使用 NVIDIA DALI 在 GPU 上运行 YOLO letterbox 调整大小、填充和归一化，消除 CPU 预处理瓶颈，并集成 Triton Inference Server。
• NVIDIA DGX Spark：在 NVIDIA DGX Spark 设备上部署 YOLO 模型的快速入门指南。
• NVIDIA Jetson：在 NVIDIA Jetson 设备上部署 YOLO 模型的快速入门指南。
• OpenVINO 延迟与吞吐量模式：学习延迟和吞吐量优化技术，以实现极致的 YOLO 推理性能。
• 预处理标注数据：了解如何使用 YOLO26 在计算机视觉项目中预处理和增强图像数据，包括归一化、数据集增强、拆分和探索性数据分析 (EDA)。
• Raspberry Pi：在最新的 Raspberry Pi 硬件上运行 YOLO 模型的快速入门教程。
• ROS 快速入门：学习如何将 YOLO 集成到机器人操作系统 (ROS) 中，以在机器人应用中进行实时目标检测，包括点云和深度图像处理。
• SAHI 切片推理：关于利用 SAHI 的切片推理功能与 YOLO26 结合，在高清图像中进行目标检测的综合指南。
• 计算机视觉项目的步骤：了解计算机视觉项目所涉及的关键步骤，包括定义目标、选择模型、准备数据和评估结果。
• 模型训练技巧：探索优化 batch sizes、使用 mixed precision、应用预训练权重等方面的技巧，让你的模型训练变得轻而易举。
• Triton Inference Server 集成：深入了解 Ultralytics YOLO26 与 NVIDIA Triton Inference Server 的集成，实现可扩展且高效的深度学习推理部署。
• 使用 Docker 在 Vertex AI 上部署：使用 Docker 将 YOLO 模型容器化并部署在 Google Cloud Vertex AI 上的简化指南，涵盖构建、推送、自动伸缩和监控。
• 在终端中查看推理图像：在使用 Remote Tunnel 或 SSH 会话时，使用 VSCode 的集成终端查看推理结果。
• YOLO26 训练配方：完整记录了在 COCO 上训练官方 YOLO26 基础检查点所使用的超参数、增强流水线和优化器设置，并提供实用的微调指导。
• YOLO 常见问题 ⭐ 推荐：针对在使用 Ultralytics YOLO 模型时最常遇到的问题提供实用的解决方案和故障排除建议。
• YOLO 数据增强：掌握 YOLO 中从基础转换到高级策略的全套数据增强技术，以提高模型的稳健性和性能。
• YOLO 性能指标 ⭐ 必备：了解用于评估 YOLO 模型性能的关键指标，如 mAP、IoU 和 F1 score。包含实用示例以及如何提高检测准确性和速度的技巧。
• YOLO 线程安全推理：以线程安全方式执行 YOLO 模型推理的指南。了解线程安全的重要性以及防止竞争条件并确保预测一致性的最佳实践。

贡献你的指南

我们欢迎社区的贡献！如果你已经掌握了 Ultralytics YOLO 中尚未在我们的指南中涵盖的特定方面，欢迎分享你的专业知识。编写指南是回馈社区并帮助我们完善文档、使其更加用户友好的一种好方法。

要开始贡献，请阅读我们的贡献指南，了解如何发起拉取请求 (PR)。我们期待你的贡献。

常见问题 (FAQ)

如何使用 Ultralytics YOLO 训练自定义目标检测模型？

使用 Ultralytics YOLO 训练自定义目标检测模型非常简单。首先，按照正确格式准备数据集并安装 Ultralytics 软件包。使用以下代码开始训练：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

有关详细的数据集格式和更多选项，请参考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 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目标检测任务的准确性和精确度。你可以在我们的YOLO 性能指标指南中了解有关这些指标的更多信息以及如何优化模型。

为什么我应该在计算机视觉项目中使用 Ultralytics Platform？

Ultralytics Platform 是一个无代码平台，简化了 YOLO 模型的管理、训练和部署。它支持无缝集成、实时跟踪和云端训练，非常适合初学者和专业人士。通过我们的 Ultralytics Platform 快速入门指南，了解更多关于其功能以及它如何简化你的工作流程。

YOLO 模型训练过程中常遇到的问题有哪些，我该如何解决它们？

YOLO 模型训练过程中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。要解决这些问题，请确保你的数据集格式正确，检查模型版本是否兼容，并增加训练数据。有关解决方案的完整列表，请参考我们的YOLO 常见问题指南。

如何将我的 YOLO 模型部署到边缘设备进行实时目标检测？

将 YOLO 模型部署到 NVIDIA Jetson 和 Raspberry Pi 等边缘设备，需要将模型转换为 TensorRT 或 TFLite 等兼容格式。按照我们针对 NVIDIA Jetson 和 Raspberry Pi 部署的分步指南，即可开始在边缘硬件上进行实时目标检测。这些指南将引导你完成安装、配置和性能优化。