Ultralytics 支持的模型
欢迎来到 Ultralytics 的模型文档!我们提供多种模型的支持,每种模型都针对特定任务量身定做,如对象检测、实例分割、图像分类、姿态估计以及多对象跟踪。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。
注意
🚧 我们的多语言文档目前正在建设中,我们正在努力进行完善。感谢您的耐心等待!🙏
特色模型
以下是一些关键模型的介绍:
- YOLOv3:由 Joseph Redmon 最初开发的 YOLO 模型家族的第三版,以其高效的实时对象检测能力而闻名。
- YOLOv4:由 Alexey Bochkovskiy 在 2020 年发布的 YOLOv3 的 darknet 原生更新版本。
- YOLOv5:Ultralytics 改进的 YOLO 架构版本,与先前版本相比,提供了更好的性能和速度权衡。
- YOLOv6:由美团在 2022 年发布,用于公司多个自主送货机器人中。
- YOLOv7:YOLOv4 作者在 2022 年发布的更新版 YOLO 模型。
- YOLOv8 NEW 🚀:YOLO 家族的最新版本,具备实例分割、姿态/关键点估计和分类等增强能力。
- Segment Anything Model (SAM):Meta 的 Segment Anything Model (SAM)。
- Mobile Segment Anything Model (MobileSAM):由庆熙大学开发的移动应用 MobileSAM。
- Fast Segment Anything Model (FastSAM):中国科学院自动化研究所图像与视频分析组开发的 FastSAM。
- YOLO-NAS:YOLO 神经网络结构搜索 (NAS) 模型。
- Realtime Detection Transformers (RT-DETR):百度 PaddlePaddle 实时检测变换器 (RT-DETR) 模型。
观看: 使用 Ultralytics YOLO 模型在几行代码中运行。
入门: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,请查看Predict、Train、Val 和 Export 文档页面。
请注意,以下示例适用于对象检测的 YOLOv8 Detect 模型。有关其他支持任务的详细信息,请查看Segment、Classify 和 Pose 文档。
示例
可将 PyTorch 预训练的 *.pt
模型以及配置文件 *.yaml
传入 YOLO()
、SAM()
、NAS()
和 RTDETR()
类,以在 Python 中创建模型实例:
贡献新模型
有兴趣将您的模型贡献给 Ultralytics 吗?太好了!我们始终欢迎扩展我们的模型投资组合。
-
Fork 仓库:从 Fork Ultralytics GitHub 仓库 开始。
-
克隆您的 Fork:将您的 Fork 克隆到您的本地机器,并创建一个新的分支进行工作。
-
实现您的模型:按照我们在贡献指南中提供的编码标准和指南添加您的模型。
-
彻底测试:确保彻底测试您的模型,无论是独立测试还是作为流水线的一部分。
-
创建拉取请求:一旦您对您的模型满意,就创建一个拉取请求以供主仓库审查。
-
代码审查与合并:经过审查,如果您的模型符合我们的标准,它将被合并到主仓库中。
有关详细步骤,请参阅我们的贡献指南。