YOLO Vision 2026：

Ultralytics YOLO26 模式#

Ultralytics YOLO ecosystem and integrations

简介#

Ultralytics YOLO26 不仅仅是另一个目标检测模型；它是一个多功能框架，旨在涵盖机器学习模型的整个生命周期——从数据导入和模型训练到验证、部署和现实世界的追踪。每种模式都有特定的用途，旨在为你提供不同任务和用例所需的灵活性和效率。



Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.

模式概览#

了解 Ultralytics YOLO26 支持的不同 模式 对于充分利用你的模型至关重要：

  • Train 模式：在自定义或预加载的数据集上微调你的模型。
  • Val 模式：用于验证模型性能的训练后检查点。
  • Predict 模式：在现实世界的数据上释放你模型的预测能力。
  • Export 模式：让你的模型部署在各种格式下都能直接使用。
  • Track 模式：将你的目标检测模型扩展到实时跟踪应用。
  • Benchmark 模式：在不同的部署环境中分析你的模型速度和准确性。

本综合指南旨在为你提供每种模式的概述和实践见解，帮助你充分发挥 YOLO26 的潜力。

训练#

Train 模式用于在自定义数据集上训练 YOLO26 模型。在此模式下，模型使用指定的数据集和超参数进行训练。训练过程涉及优化模型的参数，以便它能够准确地预测图像中对象的类别和位置。训练对于创建能够识别与你的应用相关特定对象的模型至关重要。

训练示例

Val#

Val 模式用于在训练完成后验证 YOLO26 模型。在此模式下，模型会在验证集上进行评估，以测量其准确性和泛化性能。验证有助于识别诸如过拟合等潜在问题，并提供诸如平均精度均值 (mAP) 等指标来量化模型性能。此模式对于调整超参数和提高模型整体有效性至关重要。

验证示例

预测#

Predict 模式用于使用已训练的 YOLO26 模型对新图像或视频进行预测。在此模式下，模型从检查点文件加载，用户可以提供图像或视频来执行推理。模型会识别并定位输入媒体中的对象，使其准备好用于现实世界的应用。Predict 模式是应用你的训练模型解决实际问题的门户。

预测示例

导出#

Export 模式用于将 YOLO26 模型转换为适合在不同平台和设备上部署的格式。此模式将你的 PyTorch 模型转换为 ONNX、TensorRT 或 CoreML 等优化格式，从而实现在生产环境中的部署。导出对于将你的模型与各种软件应用或硬件设备集成至关重要，通常会带来显著的性能提升。

导出示例

Track#

Track 模式扩展了 YOLO26 的目标检测功能，以便在视频帧或实时流中追踪目标。该模式对于需要持久目标识别的应用（如监控系统或自动驾驶汽车）尤其有价值。Track 模式实现了诸如 BoT-SORT（默认）和 ByteTrack 等复杂的追踪器，以在帧之间保持目标身份，即使目标暂时从视野中消失也是如此。

跟踪示例

Benchmark#

Benchmark 模式可分析 YOLO26 各种导出格式的速度和准确性。该模式提供了关于模型大小、准确性（检测任务的 mAP50-95 或分类的 accuracy_top1）以及 ONNX、OpenVINO 和 TensorRT 等不同格式的推理时间的全面指标。基准测试可帮助你根据部署环境中对速度和准确性的具体要求，选择最佳的导出格式。

基准测试示例

常见问题解答#

  • 使用 Ultralytics YOLO26 训练自定义目标检测模型需要使用 train 模式。你需要一个格式为YOLO format的数据集，其中包含图像和相应的标注文件。使用以下命令开始训练过程：

    示例
    from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

    有关更详细的说明，你可以参考Ultralytics Train Guide。

  • Ultralytics YOLO26 在验证过程中使用各种指标来评估模型性能。这些包括：

    • mAP (平均精度均值)：评估目标检测的准确性。
    • IOU (交并比)：衡量预测边界框与真实边界框之间的重叠程度。
    • Precision 和 Recall：Precision 衡量真正例检测数占检测到的正例总数的比例，而 recall 衡量真正例检测数占实际正例总数的比例。

    你可以运行以下命令开始验证：

    示例
    from ultralytics import YOLO

# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

    有关更多详细信息，请参阅Validation Guide。

  • Ultralytics YOLO26 提供导出功能，可将你训练好的模型转换为 ONNX、TensorRT、CoreML 等各种部署格式。使用以下示例导出你的模型：

    示例
    from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")

    有关每个导出格式的详细步骤，可以在Export Guide中找到。

  • Ultralytics YOLO26 中的 Benchmark 模式用于分析各种导出格式（如 ONNX、TensorRT 和 OpenVINO）的速度和准确性。它提供诸如模型大小、用于目标检测的 mAP50-95 以及不同硬件设置下的推理时间等指标，帮助你选择最适合你的部署需求的格式。

    示例
    from ultralytics.utils.benchmarks import benchmark

# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)

    有关更多详细信息，请参阅Benchmark Guide。

  • 实时目标跟踪可以使用 Ultralytics YOLO26 中的 track 模式实现。此模式扩展了目标检测能力，可在视频帧或实时流中跟踪对象。使用以下示例启用跟踪：

    示例
    from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

    有关深入说明，请访问Track Guide。

贡献者
GLglenn-jocher15ONonuralpszr2MImiles-deans-ultralytics1RAraimbekovm1SEsergiuwaxmann1PDpderrenger1LEleonnil1MAMatthewNoyce1RIRizwanMunawar1

评论