Link to this sectionUltralytics YOLO 全面教程#

欢迎阅读 Ultralytics 的 YOLO 指南。我们的全面教程涵盖了 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，以其在实时目标检测任务中卓越的速度和准确性而著称。

无论你是深度学习的初学者还是专家，我们的教程都能为你在计算机视觉项目中实现和优化 YOLO 提供宝贵的见解。

Link to this section指南#

以下是深入指南的汇编，旨在帮助你掌握 Ultralytics YOLO 的不同方面。

• 模型测试指南：关于在真实场景中测试计算机视觉模型的详尽指南。了解如何根据项目目标验证准确性、可靠性和性能。
• AzureML 快速入门：快速在微软的 Azure 机器学习平台上运行 Ultralytics YOLO 模型。学习如何在云端训练、部署和扩展你的目标检测项目。
• 模型部署最佳实践：了解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、故障排查和安全性。
• COCO 转 YOLO 格式：将 COCO JSON 标注转换为 YOLO 训练格式的完整指南。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：直接使用 COCO JSON 标注训练 YOLO，无需转换为 YOLO 格式，使用自定义数据集类和训练器即可。
• Conda 快速入门：为 Ultralytics 设置 Conda 环境的分步指南。学习如何使用 Conda 高效安装并开始使用 Ultralytics 包。
• 自定义训练器：学习如何通过子类化 YOLO 训练器来记录自定义指标、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分层学习率。
• 数据采集与标注：探索为你的计算机视觉模型创建高质量输入数据所需的工具、技术和最佳实践。
• 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：逐步了解如何有效定义计算机视觉项目清晰且可衡量的目标。了解定义明确的问题陈述的重要性，以及它如何为你的项目创建路线图。
• Docker 快速入门：使用 Docker 设置和使用 Ultralytics YOLO 模型的完整指南。学习如何安装 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 可加速 Raspberry Pi 上的 YOLO 推理。
• 端到端检测：了解 YOLO26 的无 NMS 端到端检测、导出兼容性、输出格式变更以及如何从旧版 YOLO 模型迁移。
• 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。
• 在自定义数据上微调 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、层冻结、优化器选择、两阶段训练和故障排查。
• 超参数调优：探索如何使用 Tuner 类和遗传进化算法微调超参数来优化你的 YOLO 模型。
• 模型评估与微调的见解：深入了解评估和微调计算机视觉模型的策略与最佳实践。学习通过迭代过程优化模型以获得最佳结果。
• 分割对象隔离：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说明。
• K-Fold 交叉验证：学习如何使用 K-Fold 交叉验证技术提高模型泛化能力。
• 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做法，以确保准确性、发现异常并减轻数据漂移。
• 模型部署选项：概述 YOLO 模型部署格式（如 ONNX、OpenVINO 和 TensorRT），并介绍每种格式的优缺点，以指导你的部署策略。
• 模型 YAML 配置指南：深入探讨 Ultralytics 的模型架构定义。探索 YAML 格式，了解模块解析系统，并学习如何无缝集成自定义模块。
• NVIDIA DALI GPU 预处理：通过 NVIDIA DALI 在 GPU 上运行 YOLO letterbox 缩放、填充和归一化，消除 CPU 预处理瓶颈，并集成 Triton Inference Server。
• NVIDIA DGX Spark：在 NVIDIA DGX Spark 设备上部署 YOLO 模型的快速入门指南。
• 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：学习延迟和吞吐量优化技术，以实现最佳的 YOLO 推理性能。
• 预处理标注数据：学习使用 YOLO26 在计算机视觉项目中预处理和增强图像数据，包括归一化、数据集增强、分割和探索性数据分析 (EDA)。
• Raspberry Pi：在最新的 Raspberry Pi 硬件上运行 YOLO 模型的快速入门教程。
• ROS 快速入门：学习如何将 YOLO 与机器人操作系统 (ROS) 集成，以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 切片推理：利用 SAHI 的切片推理功能与 YOLO26 进行高分辨率图像目标检测的全面指南。
• 计算机视觉项目的步骤：了解计算机视觉项目的关键步骤，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：探索关于优化批次大小、使用混合精度、应用预训练权重等的技巧，让你的计算机视觉模型训练变得轻松。
• Triton 推理服务器集成：深入探讨 Ultralytics YOLO26 与 NVIDIA Triton Inference Server 的集成，以实现可扩展且高效的深度学习推理部署。
• 使用 Docker 进行 Vertex AI 部署：使用 Docker 对 YOLO 模型进行容器化并在 Google Cloud Vertex AI 上进行部署的简化指南，涵盖构建、推送、自动扩展和监控。
• 在终端查看推理图像：在使用 Remote Tunnel 或 SSH 会话时，使用 VSCode 的集成终端查看推理结果。
• YOLO26 训练配方：关于在 COCO 上训练官方 YOLO26 基础检查点所使用的超参数、增强流水线和优化器设置的完整文档，并提供实用的微调指导。
• YOLO 常见问题 ⭐ 推荐：针对使用 Ultralytics YOLO 模型时最常遇到的问题的实用解决方案和故障排查技巧。
• YOLO 数据增强：掌握 YOLO 中从基础转换到提高模型稳健性和性能的高级策略的完整数据增强技术。
• YOLO 性能指标 ⭐ 重要：了解用于评估 YOLO 模型性能的关键指标，如 mAP、IoU 和 F1 分数。包含实际示例以及如何提高检测准确性和速度的技巧。
• YOLO 线程安全推理：在线程安全模式下使用 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预测一致性的最佳实践。

Link to this section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。

要开始，请阅读我们的贡献指南，了解如何提交 Pull Request (PR)。我们期待你的贡献。

Link to this section常见问题解答#

Link to this section如何使用 Ultralytics YOLO 训练自定义目标检测模型？#

使用 Ultralytics YOLO 训练自定义目标检测模型非常简单。首先以正确的格式准备数据集并安装 Ultralytics 包。使用以下代码启动训练：

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更多选项，请参阅我们的模型训练技巧指南。

Link to this section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有效性至关重要。关键指标包括平均精确度均值 (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。你可以在我们的YOLO 性能指标指南中了解更多有关这些指标的信息以及如何改进模型。

Link to this section我为什么要为我的计算机视觉项目使用 Ultralytics Platform？#

Ultralytics Platform 是一个无代码平台，简化了 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，了解更多关于其功能以及它如何简化你的工作流程。

Link to this sectionYOLO 模型训练过程中会遇到哪些常见问题，我该如何解决？#

YOLO 模型训练过程中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，请确保你的数据集格式正确，检查模型版本兼容性，并扩充你的训练数据。有关解决方案的完整列表，请参阅我们的YOLO 常见问题指南。

Link to this section如何将我的 YOLO 模型部署到边缘设备上进行实时目标检测？#

将 YOLO 模型部署到 NVIDIA Jetson 和 Raspberry Pi 等边缘设备上，需要将模型转换为 TensorRT 或 TFLite 等兼容格式。请按照我们针对 NVIDIA Jetson 和 Raspberry Pi 部署的分步指南，开始在边缘硬件上进行实时目标检测。这些指南将引导你完成安装、配置和性能优化。