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 is a computer vision AI company specializing in state-of-the-art object detection and image segmentation models, with a focus on the YOLO (You Only Look Once) family. Their offerings include:

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+
  • 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。

How can I train a custom YOLO11 model on my own dataset?

To train a custom YOLO11 model:

  1. 在 YOLO 格式（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 offers a diverse range of pretrained YOLO11 models for various tasks:

  • Object Detection: YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x
  • Instance Segmentation: YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
  • Classification: YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls

These models vary in size and complexity, offering different trade-offs between speed and accuracy. Explore the full range of pretrained models to find the best fit for your project.

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。
  • Cloud: Leverage frameworks like TensorFlow Serving or PyTorch Serve for scalable cloud deployments.
  • 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。

What's the difference between YOLOv8 and YOLO11?

主要区别包括

  • Architecture: YOLO11 features an improved backbone and head design for enhanced performance.
  • Performance: YOLO11 generally offers superior accuracy and speed compared to YOLOv8.
  • Tasks: YOLO11 natively supports object detection, instance segmentation, and classification in a unified framework.
  • Codebase: YOLO11 is implemented with a more modular and extensible architecture, facilitating easier customization and extension.
  • Training: YOLO11 incorporates advanced training techniques like multi-dataset training and hyperparameter evolution for improved results.

For an in-depth comparison of features and performance metrics, visit the YOLO comparison page.

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 Ultralytics GitHub 上的存储库。
  2. 为您的功能或 bug 修复创建一个新分支。
  3. 进行更改并确保所有测试都通过。
  4. 提交拉取请求，并明确说明您的更改。
  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：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：

  1. Hyperparameter Tuning: Experiment with different hyperparameters using the Hyperparameter Tuning Guide to optimize model performance.
  2. Data Augmentation: Implement techniques like flip, scale, rotate, and color adjustments to enhance your training dataset and improve model generalization.
  3. Transfer Learning: Leverage pre-trained models and fine-tune them on your specific dataset using the Train YOLO11 guide.
  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。

📅 Created 11 months ago ✏️ Updated 20 days ago
超解助手 翔宇

评论