跳转至内容

Ultralytics YOLO综合教程

欢迎访问Ultralytics 的YOLO 🚀 指南！我们的综合教程涵盖YOLO 物体检测模型的各个方面，从训练、预测到部署。基于 PyTorch构建，YOLO 在实时对象检测任务中以其卓越的速度和准确性脱颖而出。

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。

  • 模型测试指南：全面指导您在真实场景中测试计算机视觉模型。学习如何根据项目目标验证模型的准确性、可靠性和性能表现。
  • AzureML 入门指南：Microsoft Azure机器学习平台上快速启动并运行Ultralytics YOLO 。学习如何在云端训练、部署和扩展您的目标检测项目。
  • 模型部署最佳实践：系统介绍在计算机视觉项目中高效部署模型的技巧与最佳实践，重点涵盖优化、故障排除及安全防护。
  • Conda快速入门：Ultralytics设置Conda环境的分步指南。学习如何高效地使用Conda安装并开始Ultralytics 。
  • 数据采集与标注：探索用于采集和标注数据的工具、技术及最佳实践，为计算机视觉模型创建高质量输入数据。
  • DeepStream onNVIDIA ：使用DeepStream和TensorRT在NVIDIA 设备上部署YOLO 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设定清晰可衡量的目标。掌握明确问题陈述的重要性，以及它如何为项目绘制路线图。
  • Docker快速入门：使用Docker配置 Ultralytics YOLO 完整指南。学习如何安装Docker、管理GPU ，并在隔离容器中运行YOLO ，以实现一致的开发和部署。
  • Raspberry Pi 上的 Edge TPU：Google Edge TPU 加速了 Raspberry Pi 上的 YOLO 推理。
  • 超参数调优：探索如何通过Tuner类和遗传进化算法对超参数进行微调，从而优化您的YOLO 。
  • 模型评估与微调洞察：深入了解计算机视觉模型评估与微调的策略及最佳实践。掌握通过迭代优化模型以实现最优效果的流程。
  • 隔离分割对象：Ultralytics 图像中提取和/或隔离对象的分步操作指南及说明。
  • K折交叉验证：了解如何通过K折交叉验证技术提升模型的泛化能力。
  • 维护计算机视觉模型：掌握监控、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。
  • 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：全面深入解析Ultralytics架构定义。探索YAML格式，理解模块解析系统，学习如何无缝集成自定义模块。
  • NVIDIA ：NVIDIA 设备上部署YOLO 的快速入门指南。
  • OpenVINO 吞吐量模式：掌握延迟与吞吐量优化技术，实现YOLO 性能峰值。
  • 标注数据的预处理：了解在计算机视觉项目中使用YOLO11进行图像数据预处理与增强的方法，包括归一化、数据集增强、数据分割以及探索性数据分析（EDA）。
  • 树莓派：在最新树莓派硬件上运行YOLO 的快速入门教程。
  • ROS快速入门：学习如何YOLO 机器人操作系统（ROS）集成，实现机器人应用中的实时目标检测，包括点云和深度图像处理。
  • SAHI 瓦片推理：全面指南，介绍如何利用 SAHI 的切片推理功能结合YOLO11 高分辨率图像中的目标检测。
  • 计算机视觉项目步骤：了解计算机视觉项目涉及的关键步骤，包括目标定义、模型选择、数据准备和结果评估。
  • 模型训练技巧：探索优化批量大小、使用混合精度、应用预训练权重等技巧，让计算机视觉模型的训练变得轻松自如。
  • Triton ：Ultralytics NVIDIA Triton 服务器的集成方案，实现可扩展且高效的深度学习推理部署。
  • 使用 Docker 部署 Vertex AI：通过 Docker 对YOLO 进行容器化处理并部署到Google Vertex AI 的精简指南——涵盖构建、推送、自动扩展和监控。
  • 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。
  • 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 ：全面掌握YOLO各类数据增强技术，从基础变换到提升模型鲁棒性与性能的高级策略。
  • YOLO 性能指标 ⭐ 重点：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 detect 准确性和速度的实践示例和技巧。
  • YOLO ：在线程安全环境下执行YOLO 推理的指南。了解线程安全的重要性及最佳实践，以避免竞争条件并确保预测结果的一致性。

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，了解如何打开拉取请求 (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

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YOLO 模型的性能对于了解其功效至关重要。关键指标包括平均精度mAP)、交集大于联合IoU) 和 F1 分数。这些指标有助于评估物体检测任务的准确度和精确度。您可以在我们的YOLO 性能指标指南中进一步了解这些指标以及如何改进您的模型。

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TensorRT 或TFLite 等兼容格式。请按照我们的NVIDIA Jetson和Raspberry Pi部署分步指南，开始在边缘硬件上进行实时对象检测。这些指南将指导您完成安装、配置和性能优化。



📅 2 年前创建 ✏️ 1 天前更新
glenn-jocherRizwanMunawarabirami-vinaBurhan-QlakshanthadY-T-Gvitali.lobanov@pm.mepicsalexUltralyticsAssistantMatthewNoyceambitious-octopus

评论