Ultralytics YOLO 常见问题（FAQ）#

Ultralytics 是一家专注于计算机视觉的 AI 公司，主要开发先进的目标检测和图像分割模型，重点关注 YOLO 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多种预训练模型
• 功能全面的 Python 软件包，可将 YOLO 模型无缝集成到项目中
• 用于训练、测试和部署模型的多功能工具
• 详尽的文档和活跃的社区支持

没有。YOLO27正在进行最后的研发，预计于今年晚些时候发布，目前没有确定的发布日期。文档提前展示了其发布后的功能、初步基准测试以及使用示例。请在当前项目中继续使用YOLO26。

使用 pip 安装 Ultralytics 软件包非常简单：

pip install ultralytics

要安装最新开发版本，请直接从 GitHub 仓库安装：

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

详细的安装说明请参阅快速入门指南。

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+
• 支持 CUDA 11.2+ 的 NVIDIA GPU
• 8GB+ RAM
• 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。

要训练自定义 YOLO 模型：

1. 按照 YOLO 格式准备数据集（图像及对应的标签 txt 文件）。

2. 创建一个描述数据集结构和类别的 YAML 文件（参见数据集 YAML 示例）。

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)

如需更深入的指南，包括数据准备和高级训练选项，请参阅完整的训练指南。

Ultralytics 针对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
• 语义分割：YOLO26n-sem、YOLO26s-sem、YOLO26m-sem、YOLO26l-sem、YOLO26x-sem
• 深度估计：YOLO26n-depth、YOLO26s-depth、YOLO26m-depth、YOLO26l-depth、YOLO26x-depth
• 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
• 有向检测（OBB）：YOLO26n-obb、YOLO26s-obb、YOLO26m-obb、YOLO26l-obb、YOLO26x-obb

这些模型在大小和复杂度方面各不相同，在速度和准确率之间提供不同的权衡。浏览完整的预训练模型系列，找到最适合你项目的模型。

要使用训练好的模型执行推理：

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

如需高级推理选项，包括批处理和视频推理，请参阅详细的预测指南。

当然可以！Ultralytics 模型支持在各种平台上灵活部署：

• 边缘设备：使用 TensorRT、ONNX 或 OpenVINO 优化 NVIDIA Jetson 或 Raspberry Pi 等设备上的推理。
• 移动端：将模型转换为 LiteRT 或 Core ML，部署到 Android 或 iOS 设备上。
• 云端：利用 TensorFlow Serving 或 TorchServe 等框架实现可扩展的云端部署。
• Web：使用 ONNX Runtime Web 在浏览器内实现推理。

Ultralytics 提供导出函数，可将模型转换为各种格式以供部署。探索丰富的部署选项，为你的使用场景找到最佳方案。

主要区别包括：

• 端到端无 NMS 推理：Yolo26 提供带有 nms=False 的无 NMS 推理。端到端无 NMS 推理的默认一对多路径使用 NMS 来保证准确性。
• 移除 DFL：YOLO26 移除了 Distribution Focal Loss 模块，简化了导出流程，并提高了与边缘设备和低功耗设备的兼容性。
• MuSGD 优化器：SGD 与 Muon 的混合优化器（受 Moonshot AI 的 Kimi K2 启发），可实现更稳定的训练和更快的收敛。
• CPU 性能：在 CPU ONNX 推理（Intel Xeon CPU @ 2.00 GHz）中，YOLO26n 的运行速度最高比 YOLO11n 快 43%，非常适合没有 GPU 的设备。
• 任务专项优化：通过语义损失和多尺度原型增强分割，通过 RLE 提升姿态估计精度，并通过角度损失改进 OBB 解码。
• 任务：两种模型都支持目标检测和实例分割，而 YOLO26 还增加了用于密集像素级预测的语义分割和用于逐像素深度预测的单目深度估计。两种模型还在统一框架中支持分类、姿态估计和有向目标检测（OBB）。

如需深入比较功能和性能指标，请访问 YOLO26 文档页面。

为 Ultralytics 做贡献是改进项目和提升技能的好方法。你可以按以下方式参与：

1. 在 GitHub 上复刻 Ultralytics 仓库。
2. 为你的功能或错误修复创建新分支。
3. 完成修改并确保所有测试通过。
4. 提交拉取请求，并清晰说明你的修改。
5. 参与代码审查流程。

你还可以通过报告错误、提出功能建议或改进文档来做贡献。详细指南和最佳实践请参阅贡献指南。

Ultralytics YOLO 为高级计算机视觉任务提供了丰富的功能：

• 实时检测：在实时场景中高效检测和分类目标。
• 多任务能力：通过统一框架执行目标检测、实例分割、语义分割、单目深度估计、分类、姿态估计和有向目标检测（OBB）。
• 预训练模型：访问各种预训练模型，在不同使用场景下平衡速度和准确率。
• 自定义训练：通过灵活的训练流水线，轻松在自定义数据集上微调模型。
• 丰富的部署选项：将模型导出为 TensorRT、ONNX 和 CoreML 等多种格式，以部署到不同平台。
• 详尽的文档：利用全面的文档和活跃的社区支持，开展计算机视觉工作流。

可以通过以下多种技术提升 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：实施翻转、缩放、旋转和颜色调整等技术，增强训练数据集并提高模型的泛化能力。
3. 迁移学习：利用预训练模型，并参考训练指南在特定数据集上对其进行微调。
4. 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，以加快推理速度。
5. 基准测试：利用基准测试模式系统地测量和提升推理速度与准确率。

Ultralytics 提供了丰富的资源，帮助你入门并熟练掌握其工具：

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

这些资源提供了使用 Ultralytics 模型完成各种任务的代码示例、真实应用案例和分步指南。

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