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。

Ultralytics YOLO11 对比图

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:多功能模型，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. YOLO11 🚀新功能：Ultralytics 最新的YOLO 模型可在检测、分割、姿态估计、跟踪和分类等多项任务中提供最先进的 (SOTA) 性能。
  10. 分段 Anything Model (SAM):Meta 独创的 Segment Anything Model (SAM).
  11. 分段 Anything Model 2 (SAM2):Meta 的 Segment Anything Model (SAM) 的下一代产品，适用于视频和图像。
  12. 移动段任何模型 (MobileSAM)：移动应用MobileSAM ，由庆熙大学提供。
  13. 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。
  14. YOLO:YOLO 神经架构搜索(NAS) 模型。
  15. 实时检测变压器 (RT-DETR):百度的PaddlePaddle 实时检测变换器(RT-DETR) 模型。
  16. 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。
  17. YOLOE:一种改进的开放词汇对象检测器，在保持YOLO 实时性能的同时，还能检测其训练数据之外的任意类别。



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，以下示例用于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 YOLO11 进行物体检测的主要优势是什么？

Ultralytics YOLO11 具有实时对象检测、实例分割、姿态估计和分类等增强功能。其优化的架构可确保在不牺牲准确性的前提下实现高速性能，是各种人工智能领域应用的理想之选。YOLO11 以以前的版本为基础，提高了性能并增加了更多的功能，详情请参阅YOLO11 文档页面。

如何在自定义数据上训练YOLO 模型？

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

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，请访问列车文档页面。

Ultralytics 支持哪些YOLO 版本？

Ultralytics 支持从 YOLOv3 到YOLO11 的各种YOLO （只看一遍）版本，以及YOLO、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支持的模型文档。

为什么要使用Ultralytics HUB 进行机器学习项目？

Ultralytics HUB为YOLO 模型的培训、部署和管理提供了一个无代码、端到端的平台。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 还为初学者和经验丰富的开发人员提供云培训功能、全面的数据集管理和友好的用户界面。

YOLO11 可以执行哪些类型的任务，与其他YOLO 版本相比如何？

YOLO11 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。与早期版本相比，YOLO11 通过优化架构和无锚点设计，在速度和准确性方面都有显著提高。要进行更深入的比较，请参阅YOLO11 文档和任务页面，了解有关特定任务的详细信息。

📅创建于 1 年前 ✏️已更新 1 个月前
翔宇 笑-q jk4e 马修-诺伊斯

评论