Ultralytics 枢纽
来自 Ultralytics团队的问候!在过去的几个月里,我们一直在努力推出Ultralytics HUB,这是一个新的网络工具,可以从一个地方培训和部署您的所有 YOLOv5 和YOLOv8 🚀 模型!
我们希望这里的资源能帮助你充分利用 HUB。请浏览 HUB文档了解详情,在GitHub上提出问题寻求支持,并加入我们的Discord社区提问和讨论!
导言
Ultralytics HUB is designed to be user-friendly and intuitive, allowing users to quickly upload their datasets and train new YOLO models. It also offers a range of pre-trained models to choose from, making it extremely easy for users to get started. Once a model is trained, it can be effortlessly previewed in the Ultralytics HUB App before being deployed for real-time classification, object detection, and instance segmentation tasks.
观看: 使用Ultralytics HUB,只需点击几下即可训练您的自定义YOLO 模型
我们希望这里的资源能帮助你充分利用 HUB。请浏览 HUB文档了解详情,在GitHub上提出问题寻求支持,并加入我们的Discord社区提问和讨论!
- 快速启动:几秒钟内即可开始培训和部署模型。
- 数据集:了解如何准备和上传数据集。
- 项目:将模型归类到项目中,以便更好地组织。
- 机型:训练模型并将其导出为各种格式以便部署。
- 专业:成为专业用户,提升您的使用体验。
- 云培训:了解如何使用我们的云培训解决方案训练模型。
- 推理应用程序接口:了解如何使用我们的推理 API。
- 团队:与团队轻松协作。
- 集成:探索不同的集成选项。
- Ultralytics HUB 应用程序:了解Ultralytics HUB 应用程序,它可以让您直接在移动设备上运行模型。
常见问题
如何开始使用Ultralytics HUB 培训YOLO 模型?
要开始使用Ultralytics HUB,请按照以下步骤操作:
- 注册:在Ultralytics HUB 上创建账户。
- 上传数据集:导航至数据集部分,上传您的自定义数据集。
- 训练模型:转到模型部分,选择一个预先训练好的YOLOv5 或YOLOv8 模型开始训练。
- 部署模型:训练完成后,使用Ultralytics HUB 应用程序预览和部署模型,以执行实时任务。
有关详细指南,请参阅快速入门页面。
与其他人工智能平台相比,使用Ultralytics HUB 有什么好处?
Ultralytics HUB有几个独特的优势:
- 用户友好界面:直观的设计便于数据集上传和模型训练。
- 预训练模型:访问各种预训练的YOLOv5 和YOLOv8 模型。
- 云培训:无缝云培训功能,详见云培训页面。
- 实时部署:使用Ultralytics HUB App 为实时应用轻松部署模型。
- 团队协作:通过团队功能与团队高效协作。
如需了解更多优势,请访问Ultralytics HUB 博客。
能否使用Ultralytics HUB 在移动设备上进行物体检测?
是的,Ultralytics HUB 支持移动设备上的对象检测。您可以使用Ultralytics HUB App 在iOS 和Android 设备上运行YOLOv5 和YOLOv8 模型。更多详情:
如何在Ultralytics HUB 中管理和组织我的项目?
Ultralytics HUB 允许您有效地管理和组织项目。您可以将模型分组到项目中,以便更好地组织。了解更多信息:
Ultralytics HUB 有哪些集成功能?
Ultralytics HUB offers seamless integrations with various platforms to enhance your machine learning workflows. Some key integrations include:
- Roboflow:用于数据集管理和模型训练。在集成页面了解更多信息。
- Google Colab:使用Google Colab 的云环境高效训练模型。详细步骤请参见Google Colab 部分。
- Weights & Biases:用于增强实验跟踪和可视化。探索 Weights & Biases整合。
有关集成的完整列表,请参阅集成页面。