Ultralytics YOLO 全面教程#

欢迎阅读 Ultralytics 的 YOLO 指南。我们全面的教程涵盖了 YOLO 对象检测模型的各个方面，从训练、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率脱颖而出。

无论你是深度学习的新手还是专家，我们的教程都为你的计算机视觉项目中的 YOLO 实现和优化提供了宝贵的见解。

指南#

指南按项目阶段分组——从环境配置和数据准备，到训练、评估、部署、推理优化及边缘硬件——你可以直接跳转到你当前正在处理的步骤。

入门与规划#

• Conda 快速入门：为 Ultralytics 设置 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 软件包。
• 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。
• AzureML 快速入门：在微软的 Azure 机器学习平台上开始运行 Ultralytics YOLO 模型。了解如何在云中训练、部署和扩展你的对象检测项目。
• 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 推理以及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：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。了解明确定义的问题陈述的重要性以及它如何为你的项目创建路线图。
• 计算机视觉项目的步骤：了解计算机视觉项目中涉及的关键步骤，包括定义目标、选择模型、准备数据以及评估结果。
• YOLO 架构详解：追溯 YOLO 架构如何从 YOLOv3 演进到 YOLO26（跨越主干网络、颈部和检测头），涵盖 C2f、C3k2、C2PSA 注意力机制、无锚框以及无 NMS 设计。

准备你的数据#

• 数据收集与标注：探索收集和标注数据的工具、技术和最佳实践，为你的计算机视觉模型创建高质量的输入。
• 标注数据预处理：学习使用 YOLO26 进行计算机视觉的数据预处理，包括图像调整大小、归一化、数据集拆分、数据增强以及探索性数据分析 (EDA)。
• YOLO 数据增强：掌握 YOLO 中的全套数据增强技术，从基础变换到提高模型鲁棒性和性能的高级策略。
• COCO 转 YOLO 格式：将 COCO JSON 标注转换为用于训练的 YOLO 格式的完整指南。涵盖检测、分割和关键点，包括类 ID 映射和常见的转换陷阱。
• COCO JSON 训练：直接在 COCO JSON 标注上训练 YOLO，无需转换为 YOLO 格式，使用自定义数据集类和训练器。

训练与微调#

• 模型训练技巧：探索优化批次大小、使用混合精度、应用预训练权重等方面的技巧，让你的计算机视觉模型训练变得轻而易举。
• 在自定义数据上微调 YOLO：在带有预训练权重的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、两阶段训练以及故障排除。
• YOLO26 训练配方：用于在 COCO 上训练官方 YOLO26 基础检查点的超参数、增强管道和优化器设置的完整文档，带有实用的微调指导。
• 超参数调优：了解如何通过使用 Tuner 类和遗传进化算法微调超参数来优化你的 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转移到较小的学生模型，从而提升模型性能。
• K 折交叉验证：了解如何使用 K 折交叉验证技术提高模型的泛化能力。
• 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、添加类加权损失、自定义模型保存、冻结/解冻主干网络以及设置每层学习率。
• 模型 YAML 配置文件指南：深入全面地了解 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。

评估与排错#

• YOLO 性能指标 ⭐ 必读：理解用于评估 YOLO 模型性能的关键指标，如 mAP、IoU 和 F1 分数。包含实用示例以及如何提高检测准确率和速度的技巧。
• 关于模型评估与微调的见解：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行动以提高检测准确率。
• 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 模型时最常遇到问题的实用解决方案和故障排除技巧。
• 维护你的计算机视觉模型：了解用于监控、维护和记录计算机视觉模型的关键实践，以保证准确率、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，并分析各自的优缺点以指导你的部署策略。
• 模型部署最佳实践：浏览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 独立导出工具将任何 torch.nn.Module（timm、torchvision、自定义）转换为 ONNX、TorchScript、OpenVINO、CoreML、NCNN、MNN、PaddlePaddle、ExecuTorch 和 TensorFlow SavedModel。
• 端到端检测：了解 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本 YOLO 模型迁移。
• Triton 推理服务器集成：深入了解 Ultralytics YOLO26 与 NVIDIA Triton 推理服务器的集成，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：以线程安全方式使用 YOLO 模型执行推理的指南。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，以便在机器人应用中进行实时对象检测，包括点云和深度图像。
• 使用 Docker 进行 Vertex AI 部署：使用 Docker 将 YOLO 模型容器化并将其部署到 Google Cloud Vertex AI 的简化指南——涵盖构建、推送、自动扩展和监控。

优化推理#

• SAHI 切片推理：关于将 SAHI 的切片推理功能与 YOLO26 结合使用以在高清图像中进行对象检测的综合指南。
• OpenVINO 延迟与吞吐量模式：了解用于实现峰值 YOLO 推理性能的延迟和吞吐量优化技术。
• NVIDIA DALI GPU 预处理：结合 Triton Inference Server 集成，使用 NVIDIA DALI 在 GPU 上运行 YOLO letterbox 调整大小、填充和归一化，从而消除 CPU 预处理瓶颈。
• 隔离分割对象：关于如何使用 Ultralytics Segmentation 从图像中提取和/或隔离对象的分步配方和解释。
• 在终端中查看推理图像：在使用远程隧道 (Remote Tunnel) 或 SSH 会话时，使用 VSCode 的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。

为我们的指南做出贡献#

我们欢迎社区的贡献！如果你精通 Ultralytics YOLO 的某个特定方面且我们的指南尚未涵盖，我们鼓励你分享你的专业知识。撰写指南是回馈社区的好方法，也能帮助我们使文档更加全面且易于使用。

首先，请阅读我们的贡献指南，了解有关如何开启 Pull Request (PR) 的准则。添加新指南时，请将其放在上方与其项目阶段相匹配的分类下，并将其保持为单一页面类型——分步教程、面向任务的操作指南或参考文档——以便随着集合的增长依然易于浏览。我们期待你的贡献。

常见问题解答#