跳转至内容

Ultralytics YOLO 常见问题解答 (FAQ)

此 FAQ 部分解答了用户在使用 Ultralytics YOLO 仓库时可能遇到的常见问题。

常见问题

Ultralytics 是什么，它提供哪些功能？

Ultralytics 是一家 计算机视觉 AI 公司，专门从事最先进的目标检测和图像分割模型的研究，专注于 YOLO (You Only Look Once) 系列。 他们的产品包括：

如何安装 Ultralytics 包？

使用 pip 安装 Ultralytics 包非常简单：

pip install ultralytics

要获取最新的开发版本，请直接从 GitHub 存储库安装：

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

详细的安装说明请参考快速入门指南。

运行 Ultralytics 模型有哪些系统要求？

最低要求：

  • Python 3.8+
  • PyTorch 1.8+
  • 兼容 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）

如需解决常见问题，请访问YOLO 常见问题页面。

如何在自己的数据集上训练自定义 YOLO 模型？

要训练自定义 YOLO 模型：

  1. 以 YOLO 格式准备您的数据集（图像和相应的标签 txt 文件）。
  2. 创建一个 YAML 文件，描述您的数据集结构和类别。

  3. 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)

有关更深入的指南，包括数据准备和高级训练选项，请参阅完整的训练指南。

Ultralytics 中有哪些可用的预训练模型？

Ultralytics 为各种任务提供各种预训练模型：

  • 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
  • 姿势估计: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
  • 旋转框检测 (OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

这些模型的大小和复杂性各不相同，在速度和准确性之间提供不同的权衡。浏览完整的预训练模型，找到最适合您项目的模型。

如何使用训练好的 Ultralytics 模型进行推理？

要使用训练好的模型执行推理，请执行以下操作：

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

有关高级推理选项，包括批量处理和视频推理，请查看详细的预测指南。

Ultralytics 模型可以部署在边缘设备或生产环境中吗？

当然！Ultralytics 模型旨在跨各种平台进行通用部署：

  • 边缘设备：使用 TensorRT、ONNX 或 OpenVINO 优化在 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，在 Android 或 iOS 设备上进行部署。
  • 云：利用 TensorFlow Serving 或 PyTorch Serve 等框架进行可扩展的云部署。
  • Web：使用 ONNX.js 或 TensorFlow.js 在浏览器中实现推理。

Ultralytics 提供了导出功能，可将模型转换为各种格式以进行部署。浏览各种部署选项，找到最适合您用例的解决方案。

YOLO11和YOLO26之间有什么区别？

主要区别包括：

  • 端到端免NMS推理: YOLO26原生支持端到端，直接生成预测结果，无需非极大值抑制 (NMS)，从而降低延迟并简化部署。
  • 移除DFL: YOLO26移除了分布焦点损失模块，简化了模型导出，并提高了与边缘和低功耗设备的兼容性。
  • MuSGD优化器: SGD和Muon的混合体（灵感来源于月之暗面Kimi K2），旨在实现更稳定的训练和更快的收敛。
  • CPU性能: YOLO26在CPU推理速度上提升高达43%，使其成为无GPU设备的理想选择。
  • 任务特定优化: 通过语义损失和多尺度原型增强segment，RLE用于精确姿势估计，以及通过角度损失改进obb解码。
  • 任务: 两种模型均支持目标检测、实例分割、分类、姿势估计以及旋转目标检测 (OBB) 在一个统一框架中。

有关功能和性能指标的深入比较，请访问YOLO26文档页面。

如何为 Ultralytics 开源项目做贡献？

为 Ultralytics 做出贡献是改进项目和扩展技能的好方法。以下是您可以参与的方式：

  1. 在 GitHub 上 Fork Ultralytics 存储库。
  2. 为您的功能或错误修复创建一个新分支。
  3. 进行更改并确保所有测试通过。
  4. 提交一个 pull request，清楚地描述您的更改。
  5. 参与代码审查过程。

您还可以通过报告错误、建议功能或改进文档来做出贡献。 有关详细的指南和最佳实践，请参阅贡献指南。

如何在 Python 中安装 Ultralytics 包？

在 Python 中安装 Ultralytics 包非常简单。通过在终端或命令提示符中运行以下命令来使用 pip：

pip install ultralytics

对于最前沿的开发版本，请直接从 GitHub 存储库安装：

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

有关特定于环境的安装说明和故障排除提示，请查阅完整的快速入门指南。

Ultralytics YOLO 的主要功能有哪些？

Ultralytics YOLO 拥有一系列丰富的功能，适用于高级计算机视觉任务：

  • 实时 detect：在实时场景中高效 detect 和 classify 对象。
  • 多任务功能：使用统一框架执行对象检测、实例分割、分类和姿势估计。
  • 预训练模型：访问多种预训练模型，这些模型在速度和准确性之间取得平衡，适用于不同的用例。
  • 自定义训练：使用灵活的训练流程，轻松地在自定义数据集上微调模型。
  • 广泛的部署选项：将模型导出为各种格式，如 TensorRT、ONNX 和 CoreML，以便跨不同平台进行部署。
  • 全面的文档：受益于全面的文档以及一个支持性的社区，助力您的计算机视觉工作流。

如何提高我的 YOLO 模型的性能？

可以通过多种技术来提高 YOLO 模型的性能：

  1. 超参数调优：使用超参数调优指南尝试不同的超参数，以优化模型性能。
  2. 数据增强：实施诸如翻转、缩放、旋转和颜色调整等技术，以增强您的训练数据集并提高模型泛化能力。
  3. 迁移学习：利用预训练模型，并通过 训练指南 在您的特定数据集上进行微调。
  4. 导出为高效格式：使用 导出指南 将您的模型转换为 TensorRT 或 ONNX 等优化格式，以实现更快的推理。
  5. 基准测试：利用基准模式系统地测量和提高推理速度和准确性。

我可以在移动和边缘设备上部署 Ultralytics YOLO 模型吗？

是的，Ultralytics YOLO 模型专为通用部署而设计，包括移动和边缘设备：

  • 移动端：将模型转换为 TFLite 或 CoreML，以便无缝集成到 Android 或 iOS 应用程序中。有关平台特定说明，请参阅 TFLite 集成指南 和 CoreML 集成指南。
  • 边缘设备：使用 TensorRT 或 ONNX 优化在 NVIDIA Jetson 或其他边缘硬件等设备上的推理。Edge TPU 集成指南 提供了边缘部署的详细步骤。

有关各种平台上部署策略的全面概述，请参阅部署选项指南。

如何使用训练好的 Ultralytics YOLO 模型执行推理？

使用训练好的 Ultralytics YOLO 模型执行推理非常简单：

  1. 加载模型：

    from ultralytics import YOLO

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

  2. 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

有关高级推理技术，包括批量处理、视频推理和自定义预处理，请参阅详细的预测指南。

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，可帮助您入门并掌握其工具：

  • 📚 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：深入的文章、用例和技术见解。
  • 💬 社区论坛：与其他用户联系、提问和分享您的经验。
  • 🎥 YouTube 频道：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 模型的各种任务提供了代码示例、真实用例和分步指南。

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



📅 创建于 2 年前 ✏️ 更新于 8 天前
glenn-jocherLaughing-qUltralyticsAssistantpderrengerRizwanMunawar

评论