在 GitHub 上编辑页面 (EN)

Python 使用方法

欢迎阅读 Ultralytics YOLO Python 使用文档！本指南旨在帮助你将 Ultralytics YOLO 无缝集成到你的 Python 项目中，用于目标检测、实例分割、语义分割和分类。在此，你将学习如何加载和使用预训练模型、训练新模型以及对图像执行预测。简单易用的 Python 接口是任何希望将 YOLO 整合进 Python 项目的开发者的宝贵资源，让你能够快速实现先进的目标检测能力。让我们开始吧！



Watch: Mastering Ultralytics YOLO: Python

例如，用户只需几行代码即可加载模型、进行训练、在验证集上评估其性能，甚至将其导出为 ONNX 格式。

Python
from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")

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

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

训练

训练模式 (Train mode) 用于在自定义数据集上训练 YOLO 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。训练过程包括优化模型的参数，以便其能够准确地预测图像中物体类别和位置。

训练
from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # pass any model type
results = model.train(epochs=5)

训练示例

验证

验证模式 (Val mode) 用于在 YOLO 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，以衡量其准确率和泛化性能。此模式可用于调整模型的超参数以提高其性能。

验证
from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate on training data
model.val()

验证示例

预测

预测模式 (Predict mode) 用于使用训练好的 YOLO 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。模型会预测输入图像或视频中物体的类别和位置。

预测
import cv2
from PIL import Image

from ultralytics import YOLO

model = YOLO("model.pt")
# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
results = model.predict(source="0")
results = model.predict(source="folder", show=True)  # Display preds. Accepts all YOLO predict arguments

# from PIL
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True)  # save plotted images

# from ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True)  # save predictions as labels

# from list of PIL/ndarray
results = model.predict(source=[im1, im2])

预测示例

导出

导出模式 (Export mode) 用于将 YOLO 模型导出为可用于部署的格式。在此模式下，模型被转换为其他软件应用程序或硬件设备可以使用的格式。此模式在将模型部署到生产环境时非常有用。

导出

将官方 YOLO 模型导出为具有动态批处理大小和图像大小的 ONNX 格式。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="onnx", dynamic=True)

导出示例

跟踪

跟踪模式 (Track mode) 用于使用 YOLO 模型进行实时物体跟踪。在此模式下，模型从检查点文件加载，用户可以提供实时视频流来执行实时物体跟踪。此模式对于监控系统或自动驾驶汽车等应用非常有用。

跟踪
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official detection model
model = YOLO("yolo26n-seg.pt")  # load an official segmentation model
model = YOLO("path/to/best.pt")  # load a custom model

# Track with the model
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")

跟踪示例

基准测试

基准测试模式 (Benchmark mode) 用于分析 YOLO 各种导出格式的速度和准确率。基准测试提供有关导出格式大小、其 mAP50-95 指标（用于目标检测和分割）或 accuracy_top5 指标（用于分类）的信息，以及在 ONNX、OpenVINO、TensorRT 等各种导出格式中每张图像的毫秒级推理时间。这些信息可以帮助用户根据其对速度和准确率的要求，为特定用例选择最佳的导出格式。

基准测试

对官方 YOLO 模型在所有导出格式上进行基准测试。

from ultralytics.utils.benchmarks import benchmark

# Benchmark
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

基准测试示例

使用训练器

YOLO 模型类充当 Trainer 类的高级包装器。每个 YOLO 任务都有自己的训练器，继承自 BaseTrainer。这种架构允许在你的机器学习工作流程中实现更大的灵活性和自定义。

检测训练器示例
from ultralytics.models.yolo.detect import DetectionPredictor, DetectionTrainer, DetectionValidator

# trainer
trainer = DetectionTrainer(overrides={})
trainer.train()
trained_model = trainer.best

# Validator
val = DetectionValidator(args=...)
val(model=trained_model)

# predictor
pred = DetectionPredictor(overrides={})
pred(source=SOURCE, model=trained_model)

# resume from last weight
overrides["resume"] = trainer.last
trainer = DetectionTrainer(overrides=overrides)

你可以轻松自定义训练器以支持自定义任务或探索研发想法。Ultralytics YOLO 的模块化设计允许你根据自己的特定需求调整框架，无论你是在从事新型计算机视觉任务还是为了更好的性能微调现有模型。

自定义教程

常见问题 (FAQ)

如何将 YOLO 集成到我的 Python 项目中进行目标检测？

将 Ultralytics YOLO 集成到你的 Python 项目中非常简单。你可以加载预训练模型，也可以从头开始训练新模型。以下是入门方法：

from ultralytics import YOLO

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

# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
for result in results:
    result.show()

在我们的预测模式 (Predict Mode)部分查看更详细的示例。

YOLO 有哪些不同的模式可用？

Ultralytics YOLO 提供了各种模式来满足不同的机器学习工作流程。其中包括：

每种模式都旨在为模型开发和部署的不同阶段提供全面的功能。

如何使用我的数据集训练自定义 YOLO 模型？

要训练自定义 YOLO 模型，你需要指定你的数据集和其他超参数。这是一个快速示例：

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.yaml")

# Train the model with custom dataset
model.train(data="path/to/your/dataset.yaml", epochs=10)

有关训练的更多详细信息和示例使用超链接，请访问我们的训练模式 (Train Mode)页面。

如何导出 YOLO 模型以进行部署？

使用 export 函数导出适合部署的 YOLO 模型格式非常简单。例如，你可以将模型导出为 ONNX 格式：

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format
model.export(format="onnx")

有关各种导出选项，请参阅导出模式 (Export Mode)文档。

我可以在不同的数据集上验证我的 YOLO 模型吗？

是的，在不同的数据集上验证 YOLO 模型是可能的。训练完成后，你可以使用验证模式来评估其性能：

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate the model on a different dataset
model.val(data="path/to/separate/data.yaml")

查看验证模式 (Val Mode)页面以获取详细的示例和使用方法。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher19RIRizwanMunawar3JKjk4e2RAraimbekovm1CDcdeil1LEleonnil1MAMatthewNoyce1IVIvorZhu3311AYAyushExel1

评论