Ultralytics YOLO 综合教程
欢迎阅读 Ultralytics 的 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，在实时目标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，我们的教程都将为您在计算机视觉项目中实现和优化YOLO提供宝贵的见解。
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：设置 Ultralytics 的 Conda 环境的分步指南。了解如何使用 Conda 高效安装和开始使用 Ultralytics 包。
- 数据收集与标注：探索用于收集和标注数据的工具、技术和最佳实践，为您的计算机视觉模型创建高质量输入。
- 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：详细介绍如何有效定义计算机视觉项目的清晰可衡量目标。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。
- Docker 快速入门：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，并在隔离容器中运行 YOLO 模型，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：了解如何使用 Tuner 类和遗传进化算法通过微调超参数来优化您的 YOLO 模型。
- 模型评估与微调洞察：深入了解评估和微调计算机视觉模型的策略和最佳实践。了解迭代优化模型以达到最佳结果的过程。
- 分割对象的隔离：关于如何使用 Ultralytics Segmentation 从图像中提取和/或隔离对象的分步指南和解释。
- K 折交叉验证：了解如何使用 K 折交叉验证技术提高模型的泛化能力。
- 维护您的计算机视觉模型：了解监控、维护和记录计算机视觉模型的关键实践，以保证准确性、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：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 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：了解用于实现最佳 YOLO 推理性能的延迟和吞吐量优化技术。
- 预处理标注数据：了解在计算机视觉项目中使用 YOLO11 进行图像数据预处理和增强，包括归一化、数据集增强、分割和探索性数据分析 (EDA)。
- Raspberry Pi：在最新 Raspberry Pi 硬件上运行 YOLO 模型的快速入门教程。
- ROS 快速入门：了解如何将 YOLO 与机器人操作系统 (ROS) 集成，以在机器人应用中实现实时 object detection，包括点云和深度图像。
- SAHI 平铺推理：关于如何利用 SAHI 的切片推理功能与 YOLO11 在高分辨率图像中进行 object detection 的综合指南。
- 计算机视觉项目的步骤：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。
- 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，让您的计算机视觉模型训练变得轻而易举。
- Triton Inference Server 集成：深入了解 Ultralytics YOLO11 与 NVIDIA 的 Triton Inference Server 的集成，以实现可扩展、高效的深度学习推理部署。
- 使用 Docker 部署到 Vertex AI：一份简化指南，介绍如何使用 Docker 将 YOLO 模型容器化并部署到 Google Cloud Vertex AI 上，涵盖构建、推送、自动扩缩和监控。
- 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 数据增强：掌握 YOLO 中所有数据增强技术，从基本变换到提高模型鲁棒性和性能的高级策略。
- 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 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以及防止竞态条件和确保一致预测的最佳实践。
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。
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)。我们期待您的贡献。
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 pretrained 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模型性能对于理解其效能至关重要。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。您可以在我们的YOLO性能指标指南中了解更多关于这些指标以及如何改进模型的信息。
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。请遵循我们针对NVIDIA Jetson和Raspberry Pi部署的逐步指南，以便在边缘硬件上开始实时目标detect。这些指南将引导您完成安装、配置和性能优化。
