Link to this sectionUltralytics YOLO 常见问题解答 (FAQ)#

本 FAQ 部分解答了用户在使用 Ultralytics YOLO 存储库时可能遇到的常见问题和疑难。

Link to this section常见问题解答#

Link to this section什么是 Ultralytics，它提供什么服务？#

Ultralytics 是一家专注于计算机视觉的 AI 公司，专精于最先进的目标检测和图像分割模型，重点是 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
用于各种计算机视觉任务的广泛预训练模型
一个用于将 YOLO 模型无缝集成到项目中的综合性 Python 包
用于训练、测试和部署模型的多功能工具
详尽的文档和支持性的社区

Link to this section如何安装 Ultralytics 包？#

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。

Link to this section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 以上 RAM
50GB 以上可用磁盘空间（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。

Link to this section如何用我自己的数据集训练自定义 YOLO 模型？#

训练自定义 YOLO 模型的步骤：

按 YOLO 格式准备你的数据集（图片及对应的 txt 标签文件）。
创建一个 YAML 文件来描述你的数据集结构和类别（参见数据集 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），请参考综合性的训练指南。

Link to this sectionUltralytics 有哪些预训练模型？#

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
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性上各不相同，在速度和准确率之间提供不同的权衡。探索完整的预训练模型系列，找到最适合你项目的模型。

Link to this section如何使用训练好的 Ultralytics 模型进行推理？#

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

如需高级推理选项（包括批处理和视频推理），请查看详细的预测指南。

Link to this sectionUltralytics 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 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：使用 ONNX.js 或 TensorFlow.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供部署。探索广泛的部署选项，为你的使用场景找到最佳解决方案。

Link to this sectionYOLO11 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，直接生成预测结果而无需非极大值抑制 (NMS)，从而减少延迟并简化部署。
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。两种模型均在统一框架内支持分类、姿态估计和旋转目标检测 (OBB)。

如需深入对比功能和性能指标，请访问 YOLO26 文档页面。

Link to this section我该如何为 Ultralytics 开源项目做出贡献？#

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：

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

你也可以通过报告 Bug、建议新功能或完善文档来做出贡献。有关详细指南和最佳实践，请参考贡献指南。

Link to this section如何用 Python 安装 Ultralytics 包？#

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

如需针对特定环境的安装说明和故障排除建议，请查阅综合性的快速入门指南。

Link to this sectionUltralytics YOLO 的主要特点是什么？#

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：在一个统一框架下执行目标检测、实例分割、语义分割、分类、姿态估计和旋转目标检测 (OBB)。
预训练模型：访问各种在速度和准确率之间取得平衡的预训练模型，以满足不同的使用场景。
自定义训练：使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 等各种格式，以便在不同平台上进行部署。
详尽的文档：从全面的文档和支持性的社区中受益，助力你的计算机视觉工作流。

Link to this section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丰富你的训练数据集，并提升模型的泛化能力。
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，以实现更快的推理速度。
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。

Link to this section我可以将 Ultralytics YOLO 模型部署在移动端和边缘设备上吗？#

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 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 集成指南获取平台特定的说明。
边缘设备：使用 TensorRT 或 ONNX 优化 NVIDIA Jetson 等设备或其他边缘硬件上的推理。Edge TPU 集成指南提供了边缘部署的详细步骤。

如需了解跨各种平台的部署策略的综合概述，请查阅部署选项指南。

Link to this section如何使用训练好的 Ultralytics YOLO 模型进行推理？#

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。

Link to this section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精通其工具：

📚 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。

贡献者

GLglenn-jocher¹⁴ RAraimbekovm² LALaughing-q² SEsergiuwaxmann¹ PDpderrenger¹ RIRizwanMunawar¹

已创建 2023年11月12日已更新 4天前