Ultralytics YOLO 常见问题解答 (FAQ)#

Ultralytics 是一家专注于最先进的对象检测和图像分割模型的计算机视觉 AI 公司，重点关注 YOLO（You Only Look Once）系列。其产品包括：

• YOLO26（最新版）和 YOLO11（上一代）的开源实现
• 适用于各种计算机视觉任务的丰富预训练模型
• 一个功能全面的 Python 软件包，用于将 YOLO 模型无缝集成到项目中
• 用于训练、测试和部署模型的通用工具
• 详尽的文档和热情的社区

使用 pip 安装 Ultralytics 包非常简单：

pip install ultralytics

若要获取最新的开发版本，可以直接从 GitHub 存储库安装：

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

详细的安装说明可以在快速入门指南中找到。

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 以上 RAM
• 50GB 以上可用磁盘空间（用于数据集存储和模型训练）

有关常见问题的排查，请访问YOLO 常见问题页面。

训练自定义 YOLO 模型的步骤：

1. 准备好YOLO 格式的数据集（图像以及相应的标签 txt 文件）。

2. 创建一个 YAML 文件来描述你的数据集结构和类别（请参阅数据集 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)

有关更深入的指南（包括数据准备和高级训练选项），请参考全面的训练指南。

Ultralytics 提供了多样化的预训练模型以支持各类任务：

• 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
• 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不相同，在速度和精度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。

使用训练好的模型进行推理：

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

有关高级推理选项（包括批处理和视频推理），请查看详细的预测指南。

当然可以！Ultralytics 模型专为跨平台的灵活部署而设计：

• 边缘设备：使用 TensorRT、ONNX 或 OpenVINO 在 NVIDIA Jetson 或 Intel Neural Compute Stick 等设备上优化推理。
• 移动端：通过将模型转换为 LiteRT 或 CoreML，即可部署在 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端部署。
• Web 端：使用 LiteRT.js 或 ONNX.js 实现浏览器内推理。

Ultralytics 提供导出功能，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。

主要区别包括：

• 端到端无 NMS 推理：YOLO26 原生支持端到端，直接生成预测结果而无需非极大值抑制（NMS），从而降低延迟并简化部署。
• 移除 DFL：YOLO26 移除了 Distribution Focal Loss 模块，简化了导出并提高了在边缘和低功耗设备上的兼容性。
• MuSGD 优化器：结合了 SGD 和 Muon（灵感来自 Moonshot AI 的 Kimi K2），使训练更稳定，收敛速度更快。
• CPU 性能：YOLO26 的 CPU 推理速度提升高达 43%，使其非常适合没有 GPU 的设备。
• 特定任务优化：通过语义损失和多尺度 protos 增强了分割功能；使用角度损失提高了 RLE 精确姿态估计和 OBB 解码能力。
• 任务：两个模型都支持对象检测和实例分割，同时 YOLO26 还增加了用于密集像素级预测的语义分割以及用于逐像素深度的单目深度估计。两个模型还在统一框架中支持分类、姿态估计和旋转对象检测（OBB）。

有关功能和性能指标的深入比较，请访问 YOLO26 文档页面。

为 Ultralytics 做贡献是改善项目并提升自身技能的好方法。参与方式如下：

1. 在 GitHub 上 Fork Ultralytics 存储库。
2. 为你的功能改进或 Bug 修复创建一个新分支。
3. 进行修改并确保所有测试通过。
4. 提交一个拉取请求 (PR)，并附上清晰的修改说明。
5. 参与代码审查过程。

你还可以通过报告错误、提出功能建议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。

在 Python 中安装 Ultralytics 包非常简单。使用 pip，在你的终端或命令行界面中运行以下命令：

pip install ultralytics

若要获取前沿的开发版本，可以直接从 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，请参考全面的快速入门指南。

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。
• 多任务功能：通过统一的框架执行对象检测、实例分割、语义分割、单目深度估计、分类、姿态估计和旋转对象检测（OBB）。
• 预训练模型：访问各种在速度和精度之间取得平衡的预训练模型，以适应不同的用例。
• 自定义训练：使用灵活的训练管线在自定义数据集上轻松微调模型。
• 广泛的部署选项：将模型导出为 TensorRT、ONNX 和 CoreML 等各种格式，以便在不同平台上部署。
• 详尽的文档：受益于全面的文档以及支持你计算机视觉工作流的活跃社区。

你可以通过多种技术来提升 YOLO 模型的性能：

1. 超参数调优：使用超参数调优指南实验不同的超参数，以优化模型性能。
2. 数据增强：实现翻转、缩放、旋转和颜色调整等技术，以增强你的训练数据集并改善模型的泛化能力。
3. 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。
4. 导出为高效格式：使用导出指南将你的模型转换为 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高推理速度与精度。

可以，Ultralytics YOLO 模型专为灵活部署而设计，包括移动端和边缘设备：

• 移动端：将模型转换为 LiteRT 或 CoreML，以便无缝集成到 Android 或 iOS 应用中。有关特定于平台的说明，请参考 LiteRT 集成指南和 CoreML 集成指南。
• 边缘设备：使用 TensorRT 或 ONNX 在 NVIDIA Jetson 或其他边缘硬件等设备上优化推理。边缘 TPU 集成指南提供了边缘部署的详细步骤。

有关跨各个平台的部署策略的全面概述，请参考部署选项指南。

使用训练好的 Ultralytics YOLO 模型进行推理非常简单：

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（包括批处理、视频推理和自定义预处理），请参考详细的预测指南。

Ultralytics 提供了丰富的资源来帮助你入门并精通其工具：

• 📚 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：深入的文章、用例和技术见解。
• 💬 社区论坛：与其他用户交流、提问并分享你的经验。
• 🎥 YouTube 频道：关于各种 Ultralytics 主题的视频教程、演示和网络研讨会。

这些资源提供了使用 Ultralytics 模型执行各种任务的代码示例、真实用例和分步指南。

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。