Meet YOLO26: next-gen vision AI.

Link to this sectionUltralytics YOLO26 模式#

Ultralytics YOLO ecosystem and integrations

Link to this section简介#

Ultralytics YOLO26 不仅仅是另一个目标检测模型；它是一个功能通用的框架，旨在涵盖 机器学习 模型的整个生命周期——从数据摄入和模型训练到验证、部署和现实世界的跟踪。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.

Link to this section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：使你的 模型部署 准备好适配各种格式。
  • 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。

Link to this sectionTrain#

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

Link to this sectionVal#

Val 模式用于在 YOLO26 模型训练完成后对其进行验证。在此模式下，模型会在验证集上进行评估，以衡量其准确性和泛化性能。验证有助于识别 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整体模型有效性至关重要。

验证示例

Link to this sectionPredict#

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

Link to this sectionExport#

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

Link to this sectionTrack#

Track 模式扩展了 YOLO26 的目标检测能力，能够跨视频帧或实时流追踪目标。此模式对于需要持续目标识别的应用特别有价值，例如监控系统或自动驾驶汽车。Track 模式实现了诸如 BoT-SORT（默认）和 ByteTrack 等先进的追踪器，即使目标暂时从视野中消失，也能在多帧之间保持目标身份的一致性。

跟踪示例

Link to this sectionBenchmark#

Benchmark 模式用于分析 YOLO26 各种导出格式的速度和准确性。此模式提供了关于模型大小、准确性（检测任务的 mAP50-95 或分类任务的 accuracy_top1）以及在 ONNX、OpenVINO 和 TensorRT 等不同格式下的推理时间的综合指标。基准测试可帮助你根据对部署环境中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

Link to this section常见问题解答#

Link to this section如何使用 Ultralytics YOLO26 训练自定义 目标检测 模型？#

使用 Ultralytics YOLO26 训练自定义目标检测模型涉及使用 train 模式。你需要一个采用 YOLO 格式 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，请参阅 Ultralytics 训练指南。

Link to this sectionUltralytics YOLO26 使用哪些指标来验证模型性能？#

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。
  • 准确率 和 召回率：准确率衡量真实正检测结果占总检测正结果的比例，而召回率衡量真实正检测结果占所有实际正结果的比例。

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 验证指南。

Link to this section如何导出我的 YOLO26 模型进行部署？#

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")

每种导出格式的详细步骤可以在 导出指南 中找到。

Link to this sectionUltralytics YOLO26 中 benchmark 模式的用途是什么？#

Ultralytics YOLO26 中的 Benchmark 模式用于分析 ONNX、TensorRT 和 OpenVINO 等各种导出格式的速度和 准确性。它提供模型大小、用于目标检测的 mAP50-95 以及不同硬件配置下的推理时间等指标，帮助你根据部署需求选择最合适的格式。

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, half=False, device=0)

有关更多详细信息，请参阅 基准测试指南。

Link to this section如何使用 Ultralytics YOLO26 执行实时目标跟踪？#

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 跟踪指南。

贡献者
GLglenn-jocher15ONonuralpszr1SEsergiuwaxmann1PDpderrenger1LEleonnil1MAMatthewNoyce1RIRizwanMunawar1

评论