综合教程Ultralytics YOLO

Q: What performance metrics should I use to evaluate my YOLO model?

评估YOLO 模型的性能对于了解其功效至关重要。关键指标包括平均精度 (mAP)、交集大于联合 (IoU) 和 F1 分数。这些指标有助于评估物体检测任务的准确度和精确度。您可以在我们的YOLO 性能指标指南中了解有关这些指标以及如何改进模型的更多信息。

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。建立于 PyTorchYOLO 在实时物体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 YOLO11 指南概览

指南

以下是深入指南汇编，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-Fold 交叉验证🚀 新内容：了解如何使用 K-Fold 交叉验证技术提高模型泛化能力。
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YOLO11 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，以及如何在隔离的容器中运行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🚀 新：在NVIDIA Jetson 设备上部署YOLO 模型的快速入门指南。
NVIDIA Jetson上的 DeepStream🚀 新：使用 DeepStream 和TensorRT 在NVIDIA Jetson 设备上部署YOLO 模型的快速入门指南。
Triton 推理服务器集成🚀 新内容：深入了解Ultralytics YOLO11 与NVIDIA Triton Inference Server 的集成，以实现可扩展和高效的深度学习推理部署。
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。
计算机视觉项目的步骤 🚀 新内容：了解计算机视觉项目的关键步骤，包括确定目标、选择模型、准备数据和评估结果。
定义计算机视觉项目的目标🚀 新内容：了解如何有效地为计算机视觉项目定义清晰、可衡量的目标。了解定义明确的问题陈述的重要性，以及如何为项目创建路线图。
数据收集和注释🚀 新内容：探索收集和注释数据的工具、技术和最佳实践，为计算机视觉模型创建高质量输入。
注释数据的预处理🚀 新内容：了解如何使用YOLO11 对计算机视觉项目中的图像数据进行预处理和增强，包括规范化、数据集增强、分割和探索性数据分析 (EDA)。
模型训练技巧🚀 新内容：探索优化批量大小、使用混合精度、应用预训练权重等方面的技巧，轻松训练计算机视觉模型。
关于模型评估和微调的见解🚀 新内容：深入了解评估和微调计算机视觉模型的策略和最佳实践。了解完善模型以获得最佳结果的迭代过程。
模型测试指南🚀 新内容：在现实环境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。
模型部署的最佳实践🚀 新内容：介绍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。
维护计算机视觉模型🚀 新内容：了解监控、维护和记录计算机视觉模型的关键做法，以保证准确性、发现异常并减少数据漂移。
ROS 快速入门🚀 新内容：了解如何将YOLO 与机器人操作系统 (ROS) 相集成，用于机器人应用中的实时目标检测，包括点云和深度图像。

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🙏！

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数据集，并安装Ultralytics 软件包。使用以下代码启动训练：

示例

PythonCLI

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load a pre-trained 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其他选项，请参阅我们的《模型训练提示》指南。

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功效至关重要。关键指标包括平均精度(mAP)、交集大于联合(IoU) 和 F1 分数。这些指标有助于评估物体检测任务的准确度和精确度。您可以在我们的YOLO 性能指标指南中了解有关这些指标以及如何改进模型的更多信息。

为什么要使用Ultralytics HUB 进行计算机视觉项目？

Ultralytics HUB 是一个无代码平台，可简化YOLO 模型的管理、培训和部署。它支持无缝集成、实时跟踪和云培训，是初学者和专业人士的理想选择。通过我们的Ultralytics HUB 快速入门指南，了解有关其功能以及如何简化工作流程的更多信息。

YOLO 模型培训过程中会遇到哪些常见问题，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，应确保数据集格式正确，检查兼容的模型版本，并增加训练数据。有关解决方案的全面列表，请参阅我们的YOLO 常见问题指南。

如何在边缘设备上部署YOLO 模型进行实时物体检测？

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TensorRT 或 TFLite 等兼容格式。请按照我们的NVIDIA Jetson 和 Raspberry Pi部署分步指南，开始在边缘硬件上进行实时对象检测。这些指南将指导您完成安装、配置和性能优化。

📅创建于 1 年前 ✏️已更新 2 个月前