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。
精选机型
以下是支持的一些主要型号:
- 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。
- YOLOv4:YOLOv4 : YOLOv3 的暗网本地升级版,由 Alexey Bochkovskiy 于 2020 年发布。
- 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。
- 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。
- YOLOv7:更新的YOLO 模型,由 YOLOv4 的作者于 2022 年发布。
- 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。
- YOLOv9:实验模型Ultralytics YOLOv5实现可编程梯度信息 (PGI) 的代码库。
- 分段 Anything Model (SAM):Meta 的 Segment Anything Model (SAM).
- 移动段任何模型 (MobileSAM):移动应用MobileSAM ,由庆熙大学提供。
- 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。
- YOLO-NAS:YOLO 神经架构搜索(NAS)模型。
- 实时检测变压器 (RT-DETR):百度的PaddlePaddle 实时检测变换器 (RT-DETR) 模型。
- 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:
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。
-
分叉仓库:首先分叉Ultralytics GitHub 仓库。
-
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。
-
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。
-
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。
-
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。
-
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》。