Ultralytics YOLO27：

安装 Ultralytics#

使用 pip、conda、Docker 或从源码安装 ultralytics 软件包，然后使用预训练的 YOLO26 模型运行你的第一次预测。每种方法都会安装 pyproject.toml 中列出的所有必需依赖项。

安装

在 Python>=3.8 环境中配合 PyTorch>=1.8 安装或更新 ultralytics 软件包：

pip install -U ultralytics

若要获取最新的开发版本，请直接从 Ultralytics GitHub 仓库安装：

pip install git+https://github.com/ultralytics/ultralytics.git@main
提示

PyTorch 的要求因操作系统和 CUDA 版本而异。若要使用特定的构建版本，请先按照 PyTorch 安装说明安装 PyTorch，然后安装 ultralytics。

将 Ultralytics 与 CLI 结合使用#

使用 yolo 命令从终端运行你的第一次预测：

yolo predict model=yolo26n.pt

预训练的 yolo26n.pt 权重会自动下载，模型会在两个自带的样本图像上运行，并且命令会打印出它保存标注结果的位置（首次运行时为 runs/detect/predict）。将 source 指向你自己的图像、视频、目录、URL 或流，或者通过 source=0 指向网络摄像头：

yolo predict model=yolo26n.pt source=0 show=True

predict 是模式（mode），即对模型做什么：train、val、predict、export、track 或 benchmark。任务（task，detect、segment、semantic、depth、classify、pose 或 obb）是从模型文件中读取的，因此 yolo TASK MODE ARGS 语法通常只需要模式加上诸如 imgsz=640 的 arg=value 键值对。有关每种模式的信息，请参阅命令行界面指南；有关所有参数的信息，请参阅配置页面。

将 Ultralytics 与 Python 结合使用#

在 Python 中进行相同的预测：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained YOLO26n detection model
results = model("https://ultralytics.com/images/bus.jpg", save=True)  # predict and save the annotated image

results 是一个 Results 对象列表（每张图像一个），根据任务的不同包含边界框、掩码、关键点或类别概率。Python 指南涵盖了使用相同的 YOLO 类进行训练、验证、导出和跟踪的内容。



Watch: Ultralytics YOLO Quick Start Guide

Ultralytics 设置#

持久化设置（例如数据集、权重和运行目录，Ultralytics 平台 API 密钥以及实验日志记录器开关）保存在使用 yolo settings 管理的 JSON 文件中。请参阅设置页面以查看、更改或重置它们。

接下来做什么#

浏览 YOLO 运行所使用的模式以及 YOLO26 模型大小，然后在通过数据集指南格式化数据后在你自己的数据上进行训练。

如需展望未来，请探索 YOLO27 (即将推出)。其模型尚不可用；上面的示例使用的是已发布的 YOLO26 系列。

常见问题#

  • 使用 pip 安装 Ultralytics：

    pip install -U ultralytics

    这将从 PyPI 安装 ultralytics 包的最新稳定版本。若要直接从 GitHub 安装开发版本：

    pip install git+https://github.com/ultralytics/ultralytics.git

    确保系统上已安装 Git 命令行工具。

  • 可以，使用 conda 安装 Ultralytics YOLO：

    conda install -c conda-forge ultralytics

    这种方法是 pip 的绝佳替代方案，可确保与其他包的兼容性。对于 CUDA 环境，请同时安装 ultralytics 与 pytorch-gpu 元包，以便 conda 选择启用 CUDA 的 PyTorch 构建版本：

    conda install -c conda-forge ultralytics pytorch-gpu

    有关更多说明，请参阅 Conda quickstart guide。

  • Docker 为 Ultralytics YOLO 提供了一个隔离、一致的环境，确保跨系统的流畅性能并避免本地安装的复杂性。官方 Docker 镜像可在 Docker Hub 上获取，提供针对 GPU、CPU、ARM64、NVIDIA Jetson 和 conda 的变体。拉取并运行最新镜像：

    # Pull the latest ultralytics image from Docker Hub
sudo docker pull ultralytics/ultralytics:latest

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latest

    在 Linux 上，CDI 设备请求需要 Docker >= 28.2.0 和 NVIDIA Container Toolkit >= 1.18。有关详细的 Docker 说明，请参阅Docker 快速入门指南。

  • 克隆 Ultralytics 仓库并使用以下命令设置开发环境：

    # Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

    这允许为项目做贡献或使用最新的源码进行实验。有关复刻和锁定自定义分支的信息，请参阅开发安装。

  • Ultralytics YOLO CLI 简化了无需 Python 代码即可运行对象检测任务的过程，能够直接从终端通过单行命令进行训练、验证和预测。基本语法如下：

    yolo TASK MODE ARGS

    例如，要训练检测模型：

    yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

    在完整的 CLI Guide 中探索更多命令和使用示例。

贡献者
GLglenn-jocher39RIRizwanMunawar6RAraimbekovm4LALaughing-q3PDpderrenger3BUBurhan-Q3ONonuralpszr2JKjk4e2SEsergiuwaxmann1BOBovey08091FCfcakyon1LAlakshanthad1PIpicsalex1LEleonnil1MAMatthewNoyce1

评论