跳转至内容

Ultralytics 支持的模型

欢迎来到 Ultralytics 的模型文档！我们为各种模型提供支持，每种模型都针对特定任务量身定制，例如目标检测、实例分割、图像分类、姿势估计和多目标跟踪。如果您有兴趣将您的模型架构贡献给 Ultralytics，请查看我们的贡献指南。

Ultralytics YOLO11 对比图

以下是一些受支持的关键模型：

  1. YOLOv3：YOLO 模型系列的第三次迭代，最初由 Joseph Redmon 提出，以其高效的实时目标检测能力而闻名。
  2. YOLOv4：由 Alexey Bochkovskiy 于 2020 年发布的 YOLOv3 的 darknet 原生更新版本。
  3. YOLOv5：Ultralytics 改进的 YOLO 架构版本，与以前的版本相比，提供了更好的性能和速度权衡。
  4. YOLOv6：由美团于 2022 年发布，并应用于该公司的许多自动送货机器人中。
  5. YOLOv7: YOLOv4 的作者于 2022 年发布的更新的 YOLO 模型。仅支持推理。
  6. YOLOv8：一种多功能模型，具有增强的功能，例如实例分割、姿势/关键点估计和分类。
  7. YOLOv9：在 Ultralytics YOLOv5 代码库上训练的实验模型，实现了可编程梯度信息 (PGI)。
  8. YOLOv10：由清华大学开发，具有无 NMS 训练和效率驱动的架构，可提供最先进的性能和延迟。
  9. YOLO11 🚀 NEW：Ultralytics 的最新 YOLO 模型，可在包括检测、分割、姿势估计、跟踪和分类在内的多个任务中提供最先进 (SOTA) 的性能。
  10. Segment Anything Model (SAM)：Meta 的原始 Segment Anything Model (SAM)。
  11. Segment Anything Model 2 (SAM2)：Meta 的下一代 Segment Anything Model (SAM)，适用于视频和图像。
  12. MobileSAM(移动版分割一切模型)：适用于移动应用的 MobileSAM，由 Kyung Hee University 开发。
  13. Fast Segment Anything Model (FastSAM)：FastSAM，来自中国科学院自动化研究所图像与视频分析组。
  14. YOLO-NAS: YOLO 神经架构搜索 (NAS) 模型。
  15. 实时检测 Transformer (RT-DETR)：百度的 PaddlePaddle 实时检测 Transformer (RT-DETR) 模型。
  16. YOLO-World：腾讯 AI 实验室的实时开放词汇目标检测模型。
  17. YOLOE: 一种改进的开放词汇物体检测器，在检测超出其训练数据的任意类别时，保持了 YOLO 的实时性能。



观看： 只需几行代码即可运行 Ultralytics YOLO 模型。

入门指南：使用示例

此示例提供了简单的 YOLO 训练和推理示例。有关这些和其他模式的完整文档，请参见Predict、Train、Val和Export文档页面。

请注意，以下示例适用于 YOLOv8 Detect 模型，用于目标检测。有关其他支持的任务，请参阅分割、分类和姿势估计文档。

示例

PyTorch pretrained *.pt 模型以及配置 *.yaml 文件可以传递给 YOLO(), SAM(), NAS() 和 RTDETR() classes 以在 Python 中创建模型实例：

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

可以使用 CLI 命令直接运行模型：

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

贡献新模型

有兴趣向 Ultralytics 贡献您的模型吗？太棒了！我们一直乐于扩展我们的模型组合。

  1. Fork 代码仓库：首先 fork Ultralytics GitHub 代码仓库。

  2. 克隆您的 Fork：将您的 fork 克隆到本地计算机，并创建一个新分支进行开发。

  3. 实现您的模型：按照我们的贡献指南中提供的编码标准和指南添加您的模型。

  4. 充分测试：确保严格测试您的模型，包括单独测试和作为流程的一部分进行测试。

  5. 创建 Pull Request：如果您对您的模型感到满意，请创建一个 pull request 到主代码仓库以供审核。

  6. 代码审核与合并：审核通过后，如果您的模型符合我们的标准，它将被合并到主代码仓库中。

有关详细步骤，请查阅我们的贡献指南。

常见问题

使用 Ultralytics YOLO11 进行对象检测的主要优势是什么？

Ultralytics YOLO11 提供了增强的功能，例如实时对象检测、实例分割、姿势估计和分类。其优化的架构确保了高速性能，且不牺牲 准确性，使其成为各种 AI 领域中各种应用的理想选择。YOLO11 在先前版本的基础上进行了构建，提高了性能并增加了其他功能，详情请参见 YOLO11 文档页面。

如何在自定义数据上训练 YOLO 模型？

使用 Ultralytics 的库可以轻松地在自定义数据上训练 YOLO 模型。这是一个快速示例：

示例

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")  # or any other YOLO model

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

yolo train model=yolo11n.pt data='custom_data.yaml' epochs=100 imgsz=640

有关更详细的说明，请访问训练文档页面。

Ultralytics 支持哪些 YOLO 版本？

Ultralytics 支持从 YOLOv3 到 YOLO11 的各种 YOLO（You Only Look Once）版本，以及 YOLO-NAS、SAM 和 RT-DETR 等模型。每个版本都针对各种任务进行了优化，例如检测、分割和分类。有关每个模型的详细信息，请参阅 Models Supported by Ultralytics 文档。

为什么我应该使用 Ultralytics HUB 进行机器学习项目？

Ultralytics HUB为训练、部署和管理 YOLO 模型提供了一个无需代码的端到端平台。它简化了复杂的工作流程，使用户能够专注于模型性能和应用。HUB 还提供云训练功能、全面的数据集管理以及用户友好的界面，适合初学者和经验丰富的开发人员。

YOLO11 可以执行哪些类型的任务，它与其他 YOLO 版本相比如何？

YOLO11 是一种多功能模型，能够执行包括对象检测、实例分割、分类和姿势估计在内的任务。与早期版本相比，由于其优化的架构和无锚框设计，YOLO11 在速度和准确性方面有了显著提高。有关更深入的比较，请参阅 YOLO11 文档 和 任务页面，以获取有关特定任务的更多详细信息。



📅 创建于 1 年前 ✏️ 更新于 3 个月前
glenn-jocher Laughing-q Y-T-G jk4e MatthewNoyce

评论