Ultralytics YOLO27：

Ultralytics YOLO 综合教程#

欢迎阅读 Ultralytics 的 YOLO 指南。我们的综合教程涵盖 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，在实时目标检测任务中凭借出色的速度和准确率脱颖而出。

无论你是深度学习初学者还是专家，我们的教程都能为 YOLO 在你的计算机视觉项目中的实现和优化提供有价值的见解。



Watch: Ultralytics YOLO26 Guides Overview

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、推理优化以及边缘硬件——这样你可以直接跳转到正在处理的步骤。

开始使用与规划#

  • Conda 快速入门：分步介绍如何为 Ultralytics 设置 Conda 环境。了解如何使用 Conda 高效安装和开始使用 Ultralytics 软件包。
  • Docker 快速入门：完整介绍如何使用 Docker 设置和运行 Ultralytics YOLO 模型。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，从而实现一致的开发和部署环境。
  • AzureML 快速入门：在 Microsoft 的 Azure 机器学习平台上快速运行 Ultralytics YOLO 模型。了解如何在云端训练、部署和扩展你的目标检测项目。
  • Modal 快速入门：在 Modal 的无服务器云平台上运行 Ultralytics YOLO26，涵盖身份验证、GPU 推理和具有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的目标：逐步了解如何为你的计算机视觉项目有效定义清晰且可衡量的目标。了解明确的问题陈述的重要性，以及它如何为项目创建路线图。
  • 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：追溯 YOLO 架构从 YOLOv3 到 YOLO26 在 backbone、neck 和检测头方面的演进，涵盖 C2f、C3k2、C2PSA 注意力机制、无锚点和无 NMS 设计。

准备数据#

  • 数据收集与标注：探索收集和标注数据的工具、技术与最佳实践，为你的计算机视觉模型创建高质量输入。
  • 标注数据预处理：了解使用 YOLO26 进行计算机视觉数据预处理的方法，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：掌握 YOLO 中完整的数据增强技术，从基本变换到提升模型鲁棒性和性能的高级策略。
  • COCO 转 YOLO：完整介绍如何将 COCO JSON 标注转换为用于训练的 YOLO 格式。涵盖检测、分割和关键点，包括类别 ID 映射及常见转换陷阱。
  • COCO JSON 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：探索优化批量大小、使用混合精度、应用预训练权重等技巧，让计算机视觉模型训练更加轻松。
  • 在自定义数据上微调 YOLO：完整介绍如何使用预训练权重在自定义数据集上微调 YOLO26，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，从而优化你的 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的泛化能力。
  • 自定义训练器：了解如何继承 YOLO 训练器，以记录自定义指标、添加类别加权损失、自定义模型保存、冻结或解冻 backbone，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。探索 YAML 格式，理解模块解析系统，并了解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。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，然后根据指标揭示的问题采取措施，提升检测准确率。
  • 模型测试：了解如何在未见过的数据上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：针对使用 Ultralytics YOLO 模型时最常见问题提供实用解决方案和故障排除技巧。
  • 维护你的计算机视觉模型：了解监控、维护和记录计算机视觉模型的关键实践，以确保准确率、发现异常并缓解数据漂移。

部署与服务#

  • 模型部署选项：概述 ONNX、OpenVINO 和 TensorRT 等 YOLO 模型部署格式，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：逐步介绍如何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。
  • Export Non-YOLO Models: 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 ONNX、TorchScript、OpenVINO、CoreML、NCNN、MNN、PaddlePaddle、ExecuTorch、Core AI 和 TensorFlow SavedModel。
  • 端到端检测：选择 NMS 或无 NMS 推理，并了解输出格式与导出兼容性。
  • Triton Inference Server 集成：深入了解 Ultralytics YOLO26 与 NVIDIA 的 Triton Inference Server 的集成，以实现可扩展且高效的深度学习推理部署。
  • YOLO 线程安全推理：介绍如何以线程安全的方式使用 YOLO 模型执行推理。了解线程安全的重要性及防止竞态条件、确保预测一致性的最佳实践。
  • 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 在 Vertex AI 上部署：简明介绍如何使用 Docker 将 YOLO 模型容器化并部署到 Google Cloud Vertex AI，涵盖构建、推送、自动扩缩容和监控。

优化推理#

  • SAHI 切片推理：完整介绍如何结合 YOLO26 利用 SAHI 的切片推理能力，对高分辨率图像执行目标检测。
  • OpenVINO 延迟与吞吐量模式：了解延迟和吞吐量优化技术，以实现 YOLO 推理的最佳性能。
  • NVIDIA DALI GPU 预处理：使用 NVIDIA DALI 在 GPU 上执行 YOLO 信箱缩放、填充和归一化，并集成 Triton Inference Server，从而消除 CPU 预处理瓶颈。
  • 分离分割对象：分步介绍并解释如何使用 Ultralytics Segmentation 从图像中提取和/或分离对象。
  • 在终端中查看推理图像：使用 VSCode 集成终端，在 Remote Tunnel 或 SSH 会话中查看推理结果。

边缘与嵌入式硬件#

为我们的指南贡献内容#

我们欢迎社区贡献！如果你已经掌握了 Ultralytics YOLO 的某个方面，而我们的指南尚未涵盖，我们鼓励你分享专业知识。撰写指南是回馈社区、帮助我们让文档更加全面且易于使用的好方法。

开始之前，请阅读我们的贡献指南，了解如何提交拉取请求（PR）。添加新指南时，请将其放在上方与项目阶段匹配的类别下，并将内容限定为单一页面类型——分步教程、任务导向的操作指南或参考文档之一——这样文档集合在不断扩展的同时仍便于浏览。期待你的贡献。

常见问题#

  • 使用 Ultralytics YOLO 训练自定义目标检测模型非常简单。首先以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：

    示例
    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其他选项，请参考我们的模型训练技巧指南。

  • 评估 YOLO 模型的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率和精确率。你可以在我们的 YOLO 性能指标指南中进一步了解这些指标以及改进模型的方法。

  • Ultralytics Platform 是一个无代码平台，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，进一步了解其功能以及如何简化你的工作流程。

  • 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。要解决这些问题，请确保数据集格式正确，检查模型版本是否兼容，并增强训练数据。有关完整的解决方案列表，请参考我们的 YOLO 常见问题指南。

  • 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格式，例如 TensorRT 或 LiteRT。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目标检测。这些指南将带你完成安装、配置和性能优化。

贡献者
GLglenn-jocher23RAraimbekovm16RIRizwanMunawar11ABabirami-vina6BUBurhan-Q3AMambitious-octopus2LAlakshanthad2TBtbujewsk1LMlmycross1ONonuralpszr1PDpderrenger1Y-Y-T-G1LUlussebullar1PIpicsalex1MAMatthewNoyce1

评论