跳至内容

综合教程Ultralytics YOLO

欢迎访问Ultralytics'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 ,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,我们的教程都能为您的计算机视觉项目实施和优化YOLO 提供有价值的见解。让我们深入了解!



观看: Ultralytics YOLOv8 指南概览

指南

以下是一份深度指南汇编,帮助您掌握Ultralytics YOLO 的各个方面。

  • YOLO 常见问题⭐ 推荐:使用Ultralytics YOLO 型号时最常遇到问题的实用解决方案和故障排除提示。
  • YOLO 性能指标⭐ ESSENTIAL:了解用于评估YOLO 模型性能的 mAP、IoU 和 F1 分数等关键指标。包括如何提高检测准确性和速度的实用示例和技巧。
  • 模型部署选项:概述YOLO 模型部署格式,如ONNX 、OpenVINO 和TensorRT ,并说明每种格式的优缺点,为您的部署策略提供参考。
  • K 折交叉验证🚀 新内容:了解如何使用 K 折交叉验证技术提高模型的泛化能力。
  • 超参数调整🚀 新功能:了解如何使用调整器类和遗传进化算法微调超参数,从而优化YOLO 模型。
  • SAHI 分片推理🚀 新内容:利用 SAHI 的分片推理功能和YOLOv8 在高分辨率图像中进行物体检测的综合指南。
  • AzureML 快速入门🚀 新内容:在 Microsoft 的 Azure 机器学习平台上运行Ultralytics YOLO 模型。了解如何在云中训练、部署和扩展对象检测项目。
  • Conda Quickstart🚀 新内容:为Ultralytics 设置Conda环境的分步指南。了解如何通过 Conda 安装并开始高效使用Ultralytics 软件包。
  • Docker Quickstart🚀 新内容: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 支持以及在隔离容器中运行YOLO 模型,以实现一致的开发和部署。
  • Raspberry Pi🚀 新:运行YOLO 模型到最新 Raspberry Pi 硬件的快速入门教程。
  • NVIDIA-Jetson 🚀 NEW: Quickstart guide for deploying YOLO models on NVIDIA Jetson devices.
  • Triton 推理服务器集成🚀 新内容:深入了解Ultralytics YOLOv8 与 NVIDIATriton Inference Server 的集成,以实现可扩展的高效深度学习推理部署。
  • YOLO 线程安全推断🚀 新内容:以线程安全的方式使用YOLO 模型执行推断的指南。了解线程安全的重要性以及防止竞赛条件和确保一致预测的最佳实践。
  • 隔离分割对象🚀 新功能:逐步说明和解释如何使用Ultralytics Segmentation 从图像中提取和/或隔离对象。
  • Raspberry Pi 上的边缘TPU : Google EdgeTPU加速了Raspberry Pi 上的YOLO 推断。
  • 在终端中查看推理图像:使用远程隧道或 SSH 会话时,使用 VSCode 的集成终端查看推理结果。
  • OpenVINO 延迟与吞吐量模式- 学习延迟和吞吐量优化技术,以达到YOLO 推理的峰值性能。
  • Steps of a Computer Vision Project 🚀 NEW: Learn about the key steps involved in a computer vision project, including defining goals, selecting models, preparing data, and evaluating results.
  • Defining A Computer Vision Project's Goals 🚀 NEW: Walk through how to effectively define clear and measurable goals for your computer vision project. Learn the importance of a well-defined problem statement and how it creates a roadmap for your project.
  • Data Collection and Annotation 🚀 NEW: Explore the tools, techniques, and best practices for collecting and annotating data to create high-quality inputs for your computer vision models.
  • Preprocessing Annotated Data 🚀 NEW: Learn about preprocessing and augmenting image data in computer vision projects using YOLOv8, including normalization, dataset augmentation, splitting, and exploratory data analysis (EDA).
  • ROS Quickstart 🚀 NEW: Learn how to integrate YOLO with the Robot Operating System (ROS) for real-time object detection in robotics applications, including Point Cloud and Depth images.

向我们的指南投稿

我们欢迎来自社区的贡献!如果您已经掌握了Ultralytics YOLO 的某一方面,而我们的指南中尚未涉及,我们鼓励您分享您的专业知识。撰写指南是回馈社区的好方法,可以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!

让我们共同努力,使Ultralytics YOLO 生态系统更加强大和灵活🙏!



Created 2023-11-12, Updated 2024-06-19
Authors: ambitious-octopus (1), glenn-jocher (10), abirami-vina (2), RizwanMunawar (7), Burhan-Q (3), lakshanthad (1), ouphi (1)

评论