跳至内容

支持的机型Ultralytics

欢迎访问Ultralytics' 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，如物体检测、实例分割、图像分类、姿态估计和多物体跟踪。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。

以下是支持的一些主要型号：

  1. YOLOv3:YOLO 模型系列的第三次迭代，最初由 Joseph Redmon 设计，以其高效的实时物体检测功能而闻名。
  2. YOLOv4:YOLOv4 : YOLOv3 的暗网本地升级版，由 Alexey Bochkovskiy 于 2020 年发布。
  3. YOLOv5:Ultralytics 的YOLO 架构的改进版本，与以前的版本相比，性能和速度都有所提高。
  4. YOLOv6:由美团公司于 2022 年发布，并在该公司的许多自主配送机器人中使用。
  5. YOLOv7:更新的YOLO 模型，由 YOLOv4 的作者于 2022 年发布。
  6. YOLOv8 新🚀： YOLO 系列的最新版本，具有实例分割、姿势/关键点估计和分类等增强功能。
  7. YOLOv9:实验模型Ultralytics YOLOv5实现可编程梯度信息 (PGI) 的代码库。
  8. YOLOv10:由清华大学提供，采用无 NMS 训练和效率-精度驱动架构，提供最先进的性能和延迟。
  9. 分段 Anything Model (SAM):Meta 的 Segment Anything Model (SAM).
  10. 移动段任何模型 (MobileSAM)：移动应用MobileSAM ，由庆熙大学提供。
  11. 快速分段 Anything Model (FastSAM):FastSAM 由中国科学院自动化研究所图像与视频分析组提供。
  12. YOLO-NAS:YOLO 神经架构搜索（NAS）模型。
  13. 实时检测变压器 (RT-DETR):百度的PaddlePaddle 实时检测变换器 (RT-DETR) 模型。
  14. YOLO-世界:来自腾讯人工智能实验室的实时开放词汇对象检测模型。



观看： 只需几行代码即可运行Ultralytics YOLO 模型。

入门：使用示例

本示例提供了简单的YOLO 训练和推理示例。有关这些模式和其他模式的完整文档，请参阅 "预测"、"训练"、"验证"和 "导出"文档页面。

请注意，下面的示例用于YOLOv8 Detect模型的对象检测。有关其他支持的任务，请参阅 "分割"、"分类"和 "姿势"文档。

示例

PyTorch 训练有素 *.pt 模型以及配置 *.yaml 文件可以传递给 YOLO(), SAM(), NAS() 和 RTDETR() 类中创建一个模型实例Python ：

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")

CLI 命令可直接运行模型：

# 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

贡献新模式

有兴趣将您的模型贡献给Ultralytics 吗？很好！我们随时欢迎扩展我们的模特组合。

  1. 分叉仓库：首先分叉Ultralytics GitHub 仓库。

  2. 克隆你的分叉：将你的分叉克隆到本地机器上，创建一个新的分支来工作。

  3. 实施您的模型：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. 彻底测试：确保严格测试您的模型，既要单独测试，也要作为管道的一部分进行测试。

  5. 创建拉取请求：对模型感到满意后，向主版本库创建拉取请求以供审核。

  6. 代码审核与合并：审核后，如果您的模型符合我们的标准，我们将把它合并到主资源库中。

有关详细步骤，请查阅我们的《投稿指南》。

常见问题

使用Ultralytics YOLOv8 进行物体检测的主要优势是什么？

Ultralytics YOLOv8 它具有增强的功能，如实时对象检测、实例分割、姿态估计和分类。YOLOv8 还内置了与常用数据集和模型的兼容性，详情请访问YOLOv8 文档页面。

如何在自定义数据上训练YOLOv8 模型？

使用Ultralytics' 库可以轻松地在自定义数据上训练YOLOv8 模型。下面是一个快速示例：

示例

from ultralytics import YOLO

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

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

yolo train model=yolov8n.pt data='custom_data.yaml' epochs=100 imgsz=640

有关更详细的说明，请访问列车文档页面。

Ultralytics 支持哪些YOLO 版本？

Ultralytics 支持从 YOLOv3 到 YOLOv10 的各种YOLO （You Only Look Once）版本，以及 NAS、SAM 和RT-DETR 等模型。每个版本都针对检测、分割和分类等不同任务进行了优化。有关每个模型的详细信息，请参阅 Ultralytics 文档 支持的模型。

为什么要使用Ultralytics HUB 进行机器学习项目？

Ultralytics HUB 为培训、部署和管理YOLO 模型提供了一个无代码的端到端平台。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 还提供云培训功能、全面的数据集管理和用户友好界面。如需了解更多信息，请访问Ultralytics HUB 文档页面。

YOLOv8 可以执行哪些类型的任务，与其他YOLO 版本相比如何？

YOLOv8 是一个多功能模型，能够执行物体检测、实例分割、分类和姿态估计等任务。与 YOLOv3 和 YOLOv4 等早期版本相比，YOLOv8 经过优化的架构在速度和准确性方面都有显著提高。如需深入比较，请参阅YOLOv8 文档和任务页面，了解具体任务的详细信息。



创建于 2023-11-12，更新于 2024-07-04
作者:glenn-jocher(13),Laughing-q(1)

评论