Ultralytics YOLO 全面教程#

欢迎阅读 Ultralytics 的 YOLO 指南。我们的全面教程涵盖 YOLO对象检测模型的各个方面，从训练和预测到部署。YOLO 基于 PyTorch 构建，在实时对象检测任务中以出色的速度和准确度脱颖而出。

无论你是 深度学习 初学者还是专家，我们的教程都能为你在 计算机视觉 项目中实现和优化 YOLO 提供有价值的见解。

指南#

指南按项目阶段分组——从环境设置和数据准备，到训练、评估、部署、推理优化和边缘硬件——这样你可以直接跳转到当前正在处理的步骤。

开始使用与规划#

• Conda 快速入门：分步指南，介绍如何为 Ultralytics 设置 Conda 环境。了解如何高效安装并开始使用 Ultralytics 软件包。
• Docker 快速入门：关于如何使用 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，以及在隔离容器中运行 YOLO 模型，以确保开发和部署环境一致。
• AzureML 快速入门：开始在 Microsoft Azure 机器学习平台上使用 Ultralytics YOLO 模型。了解如何在云端训练、部署和扩展目标检测项目。
• Modal 快速入门：在 Modal 无服务器云平台上运行 Ultralytics YOLO26，涵盖身份验证、GPU 推理、带持久化存储的训练任务——无需管理基础设施。
• 定义计算机视觉项目目标：了解如何为计算机视觉项目有效地设定清晰、可衡量的目标。了解明确定义问题陈述的重要性，以及它如何为项目制定路线图。
• 计算机视觉项目的步骤：了解计算机视觉项目涉及的关键步骤，包括定义目标、选择模型、准备数据和评估结果。
• YOLO 架构详解：梳理 YOLO 架构从 YOLOv3 到 YOLO26 的演进，涵盖主干网络、颈部网络和检测头，以及 C2f、C3k2、C2PSA 注意力、无锚框和免 NMS 设计。

准备数据#

• 数据收集与标注：了解用于收集和标注数据的工具、技术和最佳实践，为计算机视觉模型创建高质量输入。
• 预处理已标注数据：了解使用 YOLO26 进行计算机视觉数据预处理，包括图像缩放、归一化、数据集划分、数据增强和探索性数据分析 (EDA)。
• YOLO 数据增强：全面掌握 YOLO 中各种数据增强技术，从基础变换到提升模型鲁棒性和性能的高级策略。
• COCO 转 YOLO：将 COCO JSON 标注转换为 YOLO 格式以进行训练的完整指南。涵盖检测、分割和关键点，包括类别 ID 映射和常见转换问题。
• 使用 COCO JSON 进行训练：使用自定义数据集类和训练器，直接基于 COCO JSON 标注训练 YOLO，无需转换为 YOLO 格式。

训练与微调#

• 模型训练技巧：了解优化批量大小、使用混合精度、应用预训练权重等技巧，让计算机视觉模型的训练变得轻松。
• 使用自定义数据微调 YOLO：使用预训练权重在自定义数据集上微调 YOLO26 的完整指南，涵盖迁移学习、冻结层、优化器选择、两阶段训练和故障排除。
• YOLO26 训练方案：完整记录用于在 COCO 上训练官方 YOLO26 基础检查点的超参数、增强流程和优化器设置，并提供实用的微调指导。
• 超参数调优：了解如何使用 Tuner 类和遗传进化算法微调超参数，从而优化 YOLO 模型。
• 知识蒸馏：了解如何使用基于特征的蒸馏，将知识从较大的教师模型迁移到较小的学生模型，以提升模型性能。
• K 折交叉验证：了解如何使用 K 折交叉验证技术提升模型泛化能力。
• 自定义训练器：了解如何对 YOLO 训练器进行子类化，以记录自定义指标、添加类别加权损失、自定义模型保存、冻结/解冻主干网络，以及设置逐层学习率。
• 模型 YAML 配置指南：深入介绍 Ultralytics 的模型架构定义。了解 YAML 格式和模块解析系统，并学习如何无缝集成自定义模块。

评估与故障排除#

• YOLO 性能指标 ⭐ 必看：了解用于评估 YOLO 模型性能的关键指标，如 mAP、IoU 和 F1 分数。其中包含实用示例，以及提升检测准确率和速度的技巧。
• 模型评估与微调见解：使用 mAP 和 IoU 等指标评估计算机视觉模型，再根据指标揭示的问题采取措施，提升检测准确率。
• 模型测试：了解如何使用未见过的数据测试计算机视觉模型、验证 YOLO26 模型，并在部署前发现过拟合、欠拟合和数据泄漏。
• YOLO 常见问题 ⭐ 推荐：提供实用方案和故障排除技巧，帮助解决使用 Ultralytics YOLO 模型时最常遇到的问题。
• 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实践，以确保准确性、发现异常并缓解数据漂移。

部署与服务#

• 模型部署选项：概述 YOLO 的模型部署格式，如 ONNX、OpenVINO 和 TensorRT，并介绍各自的优缺点，帮助你制定部署策略。
• 模型部署最佳实践：介绍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。
• 导出非 YOLO 模型：使用 Ultralytics 独立导出工具，将任意 torch.nn.Module（timm、torchvision、自定义模型）转换为 TorchScript、ONNX、OpenVINO、CoreML、Core AI、TensorFlow SavedModel、PaddlePaddle、MNN、NCNN 和 ExecuTorch。
• 端到端检测：选择 NMS 或免 NMS 推理，并了解输出格式和导出兼容性。
• 集成 Triton 推理服务器：深入了解 Ultralytics YOLO26 与 NVIDIA Triton 推理服务器的集成，以便大规模、高效地部署深度学习推理。
• YOLO 线程安全推理：以线程安全方式使用 YOLO 模型进行推理的指南。了解线程安全的重要性和最佳实践，以防止竞态条件并确保预测一致。
• ROS 快速入门：了解如何将 YOLO 与机器人操作系统 (ROS) 集成，用于机器人应用中的实时目标检测，包括点云和深度图像。
• 使用 Docker 部署 Vertex AI：简明指南，介绍如何使用 Docker 将 YOLO 模型容器化并部署到 Google Cloud Vertex AI，涵盖构建、推送、自动扩缩和监控。

优化推理#

• SAHI 切片推理：全面介绍如何利用 SAHI 的切片推理功能，使用 YOLO26 检测高分辨率图像中的目标。
• OpenVINO 延迟与吞吐量模式：了解延迟和吞吐量优化技术，充分提升 YOLO 推理性能。
• NVIDIA DALI GPU 预处理：使用 NVIDIA DALI 在 GPU 上执行 YOLO 的 letterbox 缩放、填充和归一化，消除 CPU 预处理瓶颈，并集成 Triton 推理服务器。
• 隔离分割目标：分步讲解如何使用 Ultralytics 分割功能从图像中提取和/或隔离目标。
• 在终端中查看推理图像：使用远程隧道或 SSH 会话时，通过 VSCode 集成终端查看推理结果。

边缘与嵌入式硬件#

• NVIDIA Jetson：在 NVIDIA Jetson 设备上部署 YOLO 模型的快速入门指南。
• Raspberry Pi：在最新 Raspberry Pi 硬件上运行 YOLO 模型的快速入门教程。
• 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。
• Raspberry Pi 上的 Edge TPU：Google Edge TPU 可加速 Raspberry Pi 上的 YOLO 推理。
• NVIDIA DGX Spark：在 NVIDIA DGX Spark 设备上部署 YOLO 模型的快速入门指南。
• Intel 上的 DL Streamer：使用 DL Streamer 和 OpenVINO™ 在 Intel Core Ultra Series 3 设备上部署 YOLO26 模型的快速入门指南。

为我们的指南做贡献#

我们欢迎社区成员贡献内容！如果你熟悉 Ultralytics YOLO 的某个方面，而我们的指南尚未涵盖，欢迎分享你的专业知识。撰写指南是回馈社区的好方式，也能帮助我们让文档更加全面、易于使用。

开始之前，请阅读我们的贡献指南，了解如何发起拉取请求 (PR)。添加新指南时，请将其放在上方与项目阶段相对应的类别中，并将内容限定为单一页面类型——分步教程、以任务为重点的操作指南或参考资料——以便指南集不断扩充时仍易于浏览。期待你的贡献。

常见问题#