跳至内容

Ultralytics YOLO 常见问题（FAQ）

本常见问题部分讨论用户在使用软件库时可能遇到的常见问题。 UltralyticsYOLO 库时可能遇到的常见问题。

常见问题

Ultralytics 是什么？它能提供什么？

Ultralytics 是一家计算机视觉人工智能公司，专注于最先进的物体检测和图像分割模型，主要产品为YOLO （You Only Look Once）系列。其产品包括

如何安装Ultralytics 软件包？

使用 pip 可以直接安装Ultralytics 软件包：

pip install ultralytics

如需最新开发版本，请直接从 GitHub 代码库安装：

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

详细安装说明见快速入门指南。

运行Ultralytics 模型的系统要求是什么？

最低要求：

  • Python 3.7+
  • PyTorch1.7+
  • CUDA-兼容GPU （用于GPU 加速）

建议设置

  • Python 3.8+
  • PyTorch 1.10+
  • NVIDIA GPU CUDA 11.2+
  • 8GB+ 内存
  • 50GB 以上可用磁盘空间（用于数据集存储和模型训练）

有关常见问题的故障排除，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YOLO11 模型？

要训练自定义YOLO11 模型：

  1. 准备好YOLO 格式的数据集（图像和相应的标签 txt 文件）。
  2. 创建一个描述数据集结构和类的 YAML 文件。
  3. 使用以下Python 代码开始培训：
from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.yaml")  # build a new model from scratch
model = YOLO("yolov8n.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培训选项，请参阅综合培训指南。

Ultralytics 中有哪些预训练模型？

Ultralytics 为各种任务提供了多种预训练的YOLO11 模型：

  • 物体检测：YOLO11n、YOLO11s、YOLO11m、YOLO11l、YOLO11x
  • 实例分割：YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
  • 分类：YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls

这些模型的大小和复杂程度各不相同，可在速度和准确性之间做出不同的权衡。探索各种预训练模型，找到最适合您项目的模型。

如何使用训练有素的Ultralytics 模型进行推理？

使用训练有素的模型进行推理：

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

有关批处理和视频推理等高级推理选项，请查看详细的预测指南。

Ultralytics 模型能否部署在边缘设备或生产环境中？

完全正确！Ultralytics 型号专为在各种平台上进行多功能部署而设计：

  • 边缘设备：使用TensorRT 、ONNX 或OpenVINO 优化NVIDIA Jetson 或Intel Neural Compute Stick 等设备上的推理。
  • 移动：通过将模型转换为 TFLite 或 Core ML，在Android 或iOS 设备上部署。
  • 云：利用 TensorFlowServing 或PyTorch Serve 等框架进行可扩展的云部署。
  • 网络：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，以便部署。探索各种部署选项，找到最适合您使用情况的解决方案。

YOLOv8 和YOLO11 有什么区别？

主要区别包括

  • 结构：YOLO11 采用了改进的主干和机头设计，性能更强。
  • 性能：与YOLOv8 相比，YOLO11 通常具有更高的精度和速度。
  • 任务：YOLO11 在一个统一的框架中原生支持对象检测、实例分割和分类。
  • 代码库：YOLO11 采用更加模块化和可扩展的架构，便于定制和扩展。
  • 训练：YOLO11 采用了先进的训练技术，如多数据集训练和超参数演化，以改进结果。

有关功能和性能指标的深入比较，请访问 YOLO比较页面。

如何为Ultralytics 开源项目做出贡献？

向Ultralytics 投稿是改进项目和扩展技能的好方法。以下是您的参与方式：

  1. 分叉 GitHub 上的Ultralytics 仓库。
  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. 提交拉取请求，并清楚描述您的更改。
  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作出贡献。有关详细指南和最佳实践，请参阅贡献指南。

如何在Python 中安装Ultralytics 软件包？

在Python 中安装Ultralytics 软件包非常简单。使用 pip，在终端或命令提示符下运行以下命令：

pip install ultralytics

如需最先进的开发版本，请直接从 GitHub 代码库安装：

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

有关特定环境的安装说明和故障排除技巧，请查阅综合快速入门指南。

Ultralytics YOLO 的主要功能是什么？

Ultralytics YOLO 它拥有丰富的功能，可用于高级对象检测和图像分割：

  • 实时检测：在实时场景中高效检测物体并对其进行分类。
  • 预训练模型：访问各种预训练模型，针对不同的使用案例在速度和准确性之间取得平衡。
  • 自定义训练：利用灵活的训练管道，在自定义数据集上轻松微调模型。
  • 广泛的部署选项：将模型导出为各种格式，如TensorRT 、ONNX 和CoreML ，以便在不同平台上部署。
  • 广泛的文档：从全面的文档和支持性社区中获益，指导您完成计算机视觉之旅。

访问YOLO 型号页面，深入了解不同YOLO 版本的功能和架构。

如何提高YOLO 型号的性能？

提高YOLO 型号的性能可以通过几种技术来实现：

  1. 超参数调整：使用《超参数调整指南》试验不同的超参数，优化模型性能。
  2. 数据增强：采用翻转、缩放、旋转和颜色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YOLO11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. 基准测试利用基准模式系统地衡量和提高推理速度和准确性。

能否在移动设备和边缘设备上部署Ultralytics YOLO 模型？

是的，Ultralytics YOLO 型号专为多功能部署而设计，包括移动和边缘设备：

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

如需全面了解各种平台的部署策略，请查阅部署选项指南。

如何使用训练有素的Ultralytics YOLO 模型进行推理？

使用训练有素的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")
  1. 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

有关批处理、视频推理和自定义预处理等高级推理技术，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 提供丰富的资源，帮助您入门和掌握工具：

  • 📚官方文档：全面的指南、API 参考资料和最佳实践。
  • 💻GitHub 代码库：源代码、示例脚本和社区贡献。
  • ✍️Ultralytics 博客：深度文章、使用案例和技术见解。
  • 💬社区论坛：与其他用户交流、提问和分享经验。
  • 🎥YouTube 频道：有关各种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、实际用例和分步指南。

如果您需要进一步帮助，请随时查阅Ultralytics 文档，或通过GitHub Issues或官方论坛联系社区。

📅创建于 1 年前 ✏️已更新 2 个月前
超解助手 翔宇

评论