在 GitHub 上编辑页面 (EN)

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。

常见问题 (FAQ)

什么是 Ultralytics，它提供什么服务？

Ultralytics 是一家专注于 计算机视觉 的人工智能公司，擅长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：

如何安装 Ultralytics 包？

使用 pip 安装 Ultralytics 包非常简单：

pip install ultralytics

如需获取最新的开发版本，可直接从 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+
  • CUDA 兼容 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 以上内存 (RAM)
  • 50GB 以上可用磁盘空间（用于数据集存储和模型训练）

若要排查常见问题，请访问 YOLO 常见问题 页面。

如何使用自己的数据集训练自定义 YOLO 模型？

训练自定义 YOLO 模型的方法：

  1. 按 YOLO 格式 准备数据集（图片和对应的标签 txt 文件）。

  2. 创建一个 YAML 文件来描述数据集结构和类别（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)

如需更深入的指南（包括数据准备和高级训练选项），请参考综合性的 训练指南。

Ultralytics 提供哪些预训练模型？

Ultralytics 为各种任务提供多种预训练模型：

  • 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
  • 图像分类：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

这些模型在尺寸和复杂度上各不相同，在速度和 准确率 之间提供不同的权衡。探索全套 预训练模型 以找到最适合你项目的选择。

如何使用训练好的 Ultralytics 模型执行推理？

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？

当然可以！Ultralytics 模型专为跨各种平台的多功能部署而设计：

  • 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。
  • 移动设备：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端部署。
  • Web：使用 ONNX.js 或 TensorFlow.js 实现浏览器内推理。

Ultralytics 提供导出功能，将模型转换为各种格式以便部署。探索广泛的 部署选项 以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) 即可直接生成预测结果，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设备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%，非常适合没有 GPU 的设备。
  • 任务特定优化：增强了语义损失和多尺度原型 (multi-scale protos) 的分割效果，采用 RLE 进行高精度姿态估计，并改进了带有角度损失的 OBB 解码。
  • 任务：两种模型都在一个统一框架内支持 目标检测、实例分割、图像分类、姿态估计和旋转目标检测 (OBB)。YOLO26 还增加了用于密集像素级预测的 语义分割 功能。

欲深入了解功能和性能指标的对比，请访问 YOLO26 文档页面。

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个人技能的好方法。以下是参与方式：

  1. 在 GitHub 上 fork Ultralytics 存储库。
  2. 为你的功能或 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. 提交包含明确变更描述的 Pull Request。
  5. 参与代码审查过程。

你也可以通过报告 Bug、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 包很简单。只需在你的终端或命令提示符中运行以下 pip 命令：

pip install ultralytics

如需获取前沿的开发版本，请直接从 GitHub 存储库安装：

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

有关针对特定环境的安装说明和故障排除建议，请查阅全面的 快速入门指南。

Ultralytics YOLO 的主要功能是什么？

Ultralytics YOLO 拥有丰富的功能，可应对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。
  • 多任务处理：在统一框架下执行目标检测、实例分割、语义分割、图像分类、姿态估计和旋转目标检测 (OBB)。
  • 预训练模型：访问各种 预训练模型，在速度和准确率之间针对不同用例进行权衡。
  • 自定义训练：利用灵活的 训练流水线 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 等多种格式，以便在不同平台上部署。
  • 详尽的文档：得益于全面的 文档 和互助社区，为你的计算机视觉工作流提供支持。

如何提高 YOLO 模型的性能？

可以通过多种技术提高 YOLO 模型的性能：

  1. 超参数调优：使用 超参数调优指南 试验不同的超参数，以优化模型表现。
  2. 数据增强：实施翻转、缩放、旋转和色彩调整等技术来增强训练数据集，提高模型的泛化能力。
  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 基准测试模式 系统地测量和改进推理速度与准确率。

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

可以，Ultralytics YOLO 模型专为多功能部署而设计，包括移动设备和边缘设备：

  • 移动设备：将模型转换为 TFLite 或 CoreML 以便无缝集成到 Android 或 iOS 应用中。请参阅 TFLite 集成指南 和 CoreML 集成指南 获取特定平台的说明。
  • 边缘设备：使用 TensorRT 或 ONNX 在 NVIDIA Jetson 或其他边缘硬件上优化推理。Edge TPU 集成指南 提供了边缘部署的详细步骤。

欲全面了解跨各种平台的部署策略，请参考 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 模型执行推理非常直接：

  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：综合指南、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：与其他用户交流、提问并分享你的经验。
  • 🎥 YouTube 频道：关于各类 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 模型执行各项任务的代码示例、实际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 与社区取得联系。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher12LALaughing-q2RAraimbekovm1SEsergiuwaxmann1PDpderrenger1RIRizwanMunawar1

评论