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：
如需最新开发版本，请直接从 GitHub 代码库安装：
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+
- PyTorch 1.7+
- 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+ 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YOLOv8 模型？
训练自定义 YOLOv8 型：
- 在 YOLO 格式（图像和相应的标签 TXT 文件）。
- 创建一个描述数据集结构和类的 YAML 文件。
- 使用以下命令 Python 开始训练的代码：
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YOLOv8 模型：
- 目标检测： YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x
- 实例分割： YOLOv8n-赛格， YOLOv8s-赛格， YOLOv8m-赛格， YOLOv8l-赛格， YOLOv8x-赛格
- 分类： YOLOv8n-cls， YOLOv8s-cls， YOLOv8m-cls， YOLOv8l-cls， YOLOv8x-cls的
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？
要使用经过训练的模型执行推理，请执行以下操作：
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TensorFlow Serving 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。
YOLOv5 和YOLOv8 有什么区别？
主要区别包括
- 结构：YOLOv8 采用了改进的主干和机头设计，性能更强。
- 性能：与YOLOv5 相比，YOLOv8 通常具有更高的精度和速度。
- 任务：YOLOv8 在统一的框架内，本机支持对象检测、实例分割和分类。
- 代码库：YOLOv8 采用更加模块化和可扩展的架构，便于定制和扩展。
- 训练：YOLOv8 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YOLOv5 vsYOLOv8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：
- 分叉 Ultralytics GitHub 上的存储库。
- 为您的功能或 bug 修复创建一个新分支。
- 进行更改并确保所有测试都通过。
- 提交拉取请求，并明确说明您的更改。
- 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：
如需最先进的开发版本，请直接从 GitHub 代码库安装：
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：受益于全面的文档和支持性社区，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 模型的性能可以通过几种技术来实现：
- 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。
- 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。
- 迁移学习：利用预训练模型，并使用训练YOLOv8指南在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，以加快推理速度。
- 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：
- 加载模型：
- 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。