Ultralytics提供了广泛的YOLO模型支持，每个模型都针对特定任务进行了优化，如对象检测、实例分割、图像分类、姿态估计和多目标跟踪。如果有兴趣为Ultralytics贡献模型架构，请参考。
YOLO模型系列以其高效的实时目标检测能力而闻名，从YOLOv3到最新的YOLOv11，每个版本都在性能和速度上进行了优化。例如，YOLOv8不仅增强了目标检测能力，还增加了实例分割、姿态估计和分类功能。而YOLOv9是基于Ultralytics YOLOv5代码库的实验性模型，实现了可编程梯度信息（PGI）。
除了YOLO系列，还有如SAM（Segment Anything Model）及其衍生模型，专门用于视频和图像的分割任务。MobileSAM和FastSAM则为移动应用和快速处理提供了优化。此外，YOLO-NAS和RT-DETR模型分别代表了神经架构搜索和实时检测变换器的最新进展。
使用UltralyticsYOLO模型非常简单，只需几行代码即可。以下是使用Python和CLI执行模型训练和推理的示例。以YOLOv8为例，可以加载预训练的模型，并在COCO8数据集上进行训练，或者对特定图像进行推理。
from ultralytics import YOLO
# 加载一个COCO预训练的YOLOv8n模型
model = YOLO("yolov8n.pt")
# 显示模型信息（可选）
model.info()
# 在COCO8示例数据集上训练模型100个周期
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 使用YOLOv8n模型对'bus.jpg'图像进行推理
results = model("path/to/bus.jpg")
如果想要直接通过CLI运行模型，可以使用以下命令：
# 加载一个COCO预训练的YOLOv8n模型并在COCO8示例数据集上训练100个周期
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640
# 加载一个COCO预训练的YOLOv8n模型并对'bus.jpg'图像进行推理
yolo predict model=yolov8n.pt source=path/to/bus.jpg
如果有兴趣为Ultralytics贡献模型，非常欢迎！请按照以下步骤操作：
首先，。然后，克隆Fork到本地机器，并创建一个新的分支来工作。根据添加模型，并确保彻底测试模型，无论是单独测试还是作为管道的一部分。当对模型满意时，创建一个Pull Request到主仓库进行审查。一旦审查通过，并且模型符合标准，它将被合并到主仓库中。
Q: 使用Ultralytics YOLOv8进行对象检测的主要优势是什么？
A: Ultralytics YOLOv8提供了增强的功能，如实时对象检测、实例分割、姿态估计和分类。其优化的架构确保了高速性能，同时不牺牲准确性，非常适合各种应用场景。YOLOv8还包括与流行数据集和模型的内置兼容性，详见。
Q: 如何使用自定义数据训练YOLOv8模型？
A: 使用Ultralytics库可以轻松地使用自定义数据训练YOLOv8模型。以下是一个快速示例：
from ultralytics import YOLO
# 加载一个YOLOv8n模型
model = YOLO("yolov8n.pt")
# 在自定义数据集上训练模型
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)
Q: Ultralytics支持哪些版本的YOLO？
A: Ultralytics支持从YOLOv3到YOLOv10的广泛版本，以及NAS、SAM和RT-DETR等模型。每个版本都针对不同的任务进行了优化，如检测、分割和分类。有关每个模型的详细信息，请参考。
Q: 为什么应该使用Ultralytics HUB进行机器学习项目？
A: Ultralytics HUB提供了一个无代码的集成平台，用于训练、部署和管理YOLO模型。它简化了复杂的工作流程，使用户可以专注于模型的性能和应用。HUB还提供了云训练、全面的数据集管理和易于使用的界面。更多信息，请访问。
Q: YOLOv8能执行哪些类型的任务，与YOLO的其他版本相比如何？