1. 首页
  2. ultralytics技术文档
  3. Ultralytics YOLO模型系列

Ultralytics YOLO模型系列

Ultralytics提供了广泛的YOLO模型，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、姿态估计和多对象跟踪。如果有兴趣为Ultralytics贡献模型架构，请参考。

以下是一些主要支持的模型：

  • YOLOv3：由Joseph Redmon创建的YOLO家族的第三次迭代，以其高效的实时对象检测能力而闻名。
  • YOLOv4：由Alexey Bochkovskiy在2020年发布的YOLOv3的原生更新。
  • YOLOv5：Ultralytics提供的YOLO架构的改进版本，与以前版本相比，提供了更好的性能和速度。
  • YOLOv6：由美团在2022年发布，并在公司的许多自主交付机器人中使用。
  • YOLOv7：由YOLOv4的在2022年发布的YOLO模型的更新。
  • YOLOv8：YOLO家族的最新版本，具有增强功能，如实例分割、姿态/关键点估计和分类。
  • YOLOv9：在Ultralytics的YOLOv5基础代码上训练的实验模型，实现了可编程梯度信息（PGI）。
  • YOLOv10：来自清华大学的模型，具有无NMS的训练和面向效率和精度的架构，提供了最新的性能和延迟。
  • YOLOv11：Ultralytics最新的YOLO模型，提供了多个任务的最新性能（SOTA）。
  • SAM：Meta（原Facebook）的原始任何东西分割模型。
  • SAM2：Meta的下一代任何东西分割模型，适用于视频和图像。
  • MobileSAM：由韩国京熙大学提供的MobileSAM，适用于移动应用。
  • FastSAM：由中国科学院自动化研究所图像和视频分析小组提供的FastSAM。
  • YOLO-NAS：YOLO神经架构搜索（NAS）模型。
  • RT-DETR：百度的PaddlePaddle实时检测变换器（RT-DETR）模型。
  • YOLO-Mundo：腾讯AI实验室提供的实时开放词汇对象检测模型。

如何开始使用Ultralytics YOLO模型

以下示例提供了在YOLO上进行训练和推理的简单示例。要获取有关这些和其他模式的完整文档，请访问。请注意，以下示例是针对YOLOv8对象检测模型的。对于其他支持的任务，请查看、和文档。

可以使用以下代码在Python中加载预训练的YOLO模型，并在COCO8示例数据集上对其进行100个周期的训练。

from ultralytics import YOLO # 加载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模型在'bus.jpg'图像上运行推理 results = model("path/to/bus.jpg")

CLI可用于直接执行模型：

# 加载COCO预训练的YOLOv8n模型并在COCO8示例数据集上对其进行100个周期的训练 yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640 # 加载COCO预训练的YOLOv8n模型并在'bus.jpg'图像上运行推理 yolo predict model=yolov8n.pt source=path/to/bus.jpg

贡献新模型

如果有兴趣为Ultralytics贡献模型，非常欢迎！始终开放，以扩展模型组合。

  1. Fork仓库：首先在GitHub上Fork Ultralytics仓库。
  2. 克隆Fork：将Fork克隆到本地机器并创建一个新的分支来工作。
  3. 实现模型：按照中提供的编码规范和指南添加模型。
  4. 彻底测试：确保严格测试模型，无论是单独测试还是作为管道的一部分。
  5. 创建Pull Request：当对模型满意时，为仓库主分支创建一个Pull Request以供审查。
  6. 代码审查和合并：审查后，如果模型符合标准，它将被集成到主仓库中。

有关详细信息，请参考。

常见问题

使用Ultralytics YOLOv8进行对象检测的主要优势是什么？ Ultralytics YOLOv8提供了增强功能，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，使其适用于各种应用。YOLOv8还包括与流行数据集和模型的内置兼容性，详细内容请参见。

如何在自定义数据上训练YOLOv8模型？ 在自定义数据上训练YOLOv8模型可以轻松使用Ultralytics库完成。以下是一个快速示例：

from ultralytics import YOLO # 加载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)

有关更详细的说明，请访问。

Ultralytics支持哪些YOLO版本？ Ultralytics支持从YOLOv3到YOLOv10的广泛YOLO版本，以及NAS、SAM和RT-DETR等模型。每个版本都针对多种任务进行了优化，如检测、分割和分类。有关每个模型的详细信息，请参见。

为什么应该使用Ultralytics HUB进行机器学习项目？ Ultralytics HUB提供了一个无代码的端到端平台，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还提供了云训练能力、全面的数据处理和管理以及易于使用的界面。

上一篇

Ultralytics YOLO11与Weights & Biases集成指南

本指南展示了如何将Ultralytics YOLO11与Weights & Biases集成，以增强实验跟踪、模型检查点和模型性能的可视化。

下一篇

YOLOv5u 模型介绍

YOLOv5u 是基于 Ultralytics 开发的 YOLOv5 模型架构的高级版本，它集成了无锚点、无对象性分割头，提高了对象检测任务的准确性和速度。

相关文章
Ultralytics HUB：快速训练YOLO模型YOLO模型家族与应用COCO8数据集与YOLO模型训练COCO8数据集与YOLO模型训练指南Ultralytics HUB 介绍与使用指南
沪ICP备2024098111号-1
上海秋旦网络科技中心：上海市奉贤区金大公路8218号1幢 联系电话：17898875485