Ultralytics YOLO 常见问题解答 (FAQ)

本 FAQ 部分旨在解决用户在使用 Ultralytics YOLO 存储库时可能遇到的常见问题和状况。

常见问题 (FAQ)

Ultralytics 是什么？它提供什么服务？

Ultralytics 是一家专注于计算机视觉的 AI 公司，专门研究最先进的目标检测和图像分割模型，重点关注 YOLO (You Only Look Once) 系列。其产品包括：

YOLO26（最新版本）和 YOLO11（上一代）的开源实现
适用于各种计算机视觉任务的广泛预训练模型
一个全面的 Python 包，用于将 YOLO 模型无缝集成到项目中
用于模型训练、测试和部署的通用工具
详尽的文档和支持性的社区

如何安装 Ultralytics 包？

使用 pip 安装 Ultralytics 包非常简单：

pip install ultralytics

若要安装最新的开发版本，请直接从 GitHub 存储库安装：

pip install git+https://github.com/ultralytics/ultralytics.git

详细的安装说明可在快速入门指南中找到。

运行 Ultralytics 模型有哪些系统要求？

最低要求：

Python 3.8+
PyTorch 1.8+
支持 CUDA 的 GPU（用于 GPU 加速）

推荐配置：

Python 3.8+
PyTorch 1.10+
配备 CUDA 11.2+ 的 NVIDIA GPU
8GB+ 内存
50GB+ 可用磁盘空间（用于数据集存储和模型训练）

如需排查常见问题，请访问 YOLO 常见问题页面。

我该如何在自己的数据集上训练自定义 YOLO 模型？

训练自定义 YOLO 模型步骤如下：

按 YOLO 格式准备数据集（图像及对应的 txt 标签文件）。
创建一个描述数据集结构和类别的 YAML 文件（请参阅数据集 YAML 示例）。

使用以下 Python 代码开始训练：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from scratch
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

如需更深入的指南（包括数据准备和高级训练选项），请参考全面的训练指南。

Ultralytics 提供哪些预训练模型？

Ultralytics 为各种任务提供了多种预训练模型：

目标检测：YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
实例分割：YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
分类：YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
姿态估计：YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
旋转目标检测 (OBB)：YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

这些模型的大小和复杂度各异，在速度和准确率之间提供了不同的权衡。请浏览全部预训练模型，找到最适合你项目的模型。

如何使用训练好的 Ultralytics 模型执行推理？

使用训练好的模型进行推理的方法如下：

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

如需了解高级推理选项（包括批处理和视频推理），请查阅详细的预测指南。

Ultralytics 模型能否部署在边缘设备或生产环境中？

当然可以！Ultralytics 模型专为在各种平台上灵活部署而设计：

边缘设备：使用 TensorRT、ONNX 或 OpenVINO 优化 NVIDIA Jetson 或 Intel Neural Compute Stick 等设备上的推理。
移动端：通过将模型转换为 TFLite 或 Core ML，部署在 Android 或 iOS 设备上。
云端：利用 TensorFlow Serving 或 PyTorch Serve 等框架进行可扩展的云部署。
Web 端：使用 ONNX.js 或 TensorFlow.js 实现浏览器内推理。

Ultralytics 提供了导出功能，可将模型转换为各种格式以进行部署。探索广泛的部署选项，找到最适合你用例的解决方案。

YOLO11 和 YOLO26 有什么区别？

主要区别包括：

端到端无 NMS 推理：YOLO26 原生支持端到端，无需非极大值抑制 (NMS) 即可直接生成预测，从而降低了延迟并简化了部署。
移除 DFL：YOLO26 移除了 Distribution Focal Loss 模块，简化了导出并提高了在边缘设备和低功耗设备上的兼容性。
MuSGD 优化器：SGD 和 Muon（受 Moonshot AI 的 Kimi K2 启发）的混合体，可实现更稳定的训练和更快的收敛。
CPU 性能：YOLO26 的 CPU 推理速度提升高达 43%，非常适合没有 GPU 的设备。
任务特定优化：通过语义损失和多尺度原型增强了分割功能，通过 RLE 实现更精确的姿态估计，并通过角度损失改进了 OBB 解码。
任务：这两种模型在统一框架内都支持目标检测、实例分割、分类、姿态估计和旋转目标检测 (OBB)。

如需深入了解功能和性能指标的对比，请访问 YOLO26 文档页面。

我该如何为 Ultralytics 开源项目做出贡献？

为 Ultralytics 做出贡献是改进项目并提升技能的绝佳方式。以下是你可以参与的方式：

在 GitHub 上 Fork Ultralytics 存储库。
为你的功能或错误修复创建一个新分支。
进行修改并确保所有测试通过。
提交一个包含清晰描述的 pull request。
参与代码审查过程。

你也可以通过报告错误、建议功能或改进文档来做出贡献。有关详细指南和最佳实践，请参考贡献指南。

如何在 Python 中安装 Ultralytics 包？

在 Python 中安装 Ultralytics 包非常简单。请在终端或命令提示符中使用 pip 运行以下命令：

pip install ultralytics

若要获取前沿开发版本，请直接从 GitHub 存储库安装：

pip install git+https://github.com/ultralytics/ultralytics.git

有关特定环境的安装说明和故障排查技巧，请查阅全面的快速入门指南。

Ultralytics YOLO 的主要功能是什么？

Ultralytics YOLO 拥有一套丰富的功能，适用于高级计算机视觉任务：

实时检测：在实时场景中高效地检测和分类对象。
多任务能力：在一个统一框架内执行目标检测、实例分割、分类和姿态估计。
预训练模型：访问各种预训练模型，在不同用例中平衡速度和准确率。
自定义训练：使用灵活的训练流水线轻松在自定义数据集上微调模型。
广泛的部署选项：将模型导出为 TensorRT、ONNX 和 CoreML 等多种格式，以便在不同平台上部署。
详尽的文档：受益于全面的文档和支持性的社区，以辅助你的计算机视觉工作流。

我该如何提高 YOLO 模型的性能？

你可以通过多种技术来提升 YOLO 模型的性能：

超参数调优：使用超参数调优指南试验不同的超参数，以优化模型性能。
数据增强：实施翻转、缩放、旋转和颜色调整等技术来增强训练数据集，并提高模型的泛化能力。
迁移学习：利用预训练模型，并使用训练指南在你的特定数据集上对其进行微调。
导出为高效格式：使用导出指南将模型转换为 TensorRT 或 ONNX 等优化格式，以实现更快的推理。
基准测试：利用基准测试模式系统地测量并提高推理速度和准确率。

我可以在移动设备和边缘设备上部署 Ultralytics YOLO 模型吗？

是的，Ultralytics YOLO 模型专为灵活部署而设计，包括移动设备和边缘设备：

移动端：将模型转换为 TFLite 或 CoreML，以便无缝集成到 Android 或 iOS 应用中。请参考 TFLite 集成指南和 CoreML 集成指南获取针对特定平台的说明。
边缘设备：使用 TensorRT 或 ONNX 在 NVIDIA Jetson 或其他边缘硬件上优化推理。边缘 TPU 集成指南提供了详细的边缘部署步骤。

如需全面了解跨平台的部署策略，请查阅部署选项指南。

如何使用训练好的 Ultralytics YOLO 模型执行推理？

使用训练好的 Ultralytics YOLO 模型进行推理非常简单：

加载模型：

from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")

运行推理：

results = model("path/to/image.jpg")

for r in results:
    print(r.boxes)  # print bounding box predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

如需了解高级推理技术（包括批处理、视频推理和自定义预处理），请参考详细的预测指南。

在哪里可以找到使用 Ultralytics 的示例和教程？

Ultralytics 提供了丰富的资源来帮助你入门并掌握其工具：

📚 官方文档：全面的指南、API 参考和最佳实践。
💻 GitHub 存储库：源代码、示例脚本和社区贡献。
✍️ Ultralytics 博客：深度文章、用例和技术洞察。
💬 社区论坛：与其他用户联系、提问并分享你的经验。
🎥 YouTube channel：关于各种 Ultralytics 主题的视频教程、演示和网络研讨会。

这些资源为使用 Ultralytics 模型执行各种任务提供了代码示例、实际应用案例和分步指南。

如果你需要进一步的帮助，请查阅 Ultralytics 文档，或通过 GitHub Issues 或官方讨论论坛联系社区。

Contributors

GLglenn-jocher¹¹ LALaughing-q² RAraimbekovm¹ SEsergiuwaxmann¹ PDpderrenger¹ RIRizwanMunawar¹

Created 2023年11月12日Updated 6天前