Ultralytics 提供了一系列 YOLO 模型，这些模型专为解决目标检测、实例分割、图像分类、姿态估计和多目标跟踪等特定任务而设计。如果有兴趣为 Ultralytics 提供自己的模型架构，请参考。
模型集合包括：
- YOLOv3：由 Joseph Redmon 创建的 YOLO 模型系列的第三次迭代，以其实时目标检测能力而闻名。
- YOLOv4：由 Alexey Bochkovskiy 在 2020 年发布的 YOLOv3 的 Darknet 原生更新。
- YOLOv5：由 Ultralytics 提供的 YOLO 架构的改进版本，与之前的版本相比，在性能和速度之间提供了更好的折衷。
- YOLOv6：由美团在 2022 年发布，被广泛用于公司的自主送货机器人中。
- YOLOv7：由 YOLOv4 的在 2022 年发布的更新版 YOLO 模型。
- YOLOv8：YOLO 家族的最新版本，增强了实例分割、姿态/关键点估计和分类等功能。
- YOLOv9：在 Ultralytics 的 YOLOv5 代码库上训练的实验模型，实现了可编程梯度信息（PGI）。
- YOLOv10：由清华大学开发，特点是没有 NMS 训练和面向效率和精度的架构，提供了最先进的性能和延迟。
- YOLOv11：Ultralytics最新的 YOLO 模型，提供多个任务的最新性能（SOTA）。
- SAM（Segment Anything Model）：Meta（Facebook）的原始模型。
- SAM2：Meta 为视频和图像发布的下一代 Segment Anything Model。
- MobileSAM：由韩国庆熙大学为移动应用开发的 MobileSAM。
- FastSAM：中国科学院自动化研究所图像与视频分析组的 FastSAM。
- YOLO-NAS：YOLO 神经架构搜索（NAS）模型。
- RT-DETR：百度的 PaddlePaddle Realtime Detection Transformer（RT-DETR）模型。
- YOLO-World：腾讯 AI 实验室提供的实时目标检测模型。
模型支持多种任务，并提供易于使用的 Python 和命令行界面（CLI）进行模型训练和推理。以下是使用 YOLOv8 进行目标检测的示例。
以下是使用 YOLO 进行训练和推理的简单示例。完整的文档可以在 、、 和 文档页面上找到。请注意，以下示例是针对 YOLOv8目标检测模型的。对于其他支持的任务，请查看 、 和 文档。
Python CLI PyTorch 预训练模型 (*.pt) 以及配置文件 (*.yaml) 可以传递给 YOLO()、SAM()、NAS() 和 RTDETR() 类，以在 Python 中创建模型实例：
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 用于直接运行模型的命令：
# 加载 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 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
有兴趣向 Ultralytics 提供自己的模型吗？太好了！始终开放扩展模型库。
- Fork 仓库：从 Ultralytics 的 GitHub 仓库开始。
- 克隆 Fork：将 Fork 克隆到本地机器并创建一个新分支进行工作。
- 实现模型：添加模型，遵循中的标准编码和建议。
- 彻底测试：确保彻底测试模型，无论是单独的还是作为管道的一部分。
- 创建 Pull Request：一旦对模型感到满意，创建一个请求到主仓库进行审查。
- 代码审查和合并：审查后，如果模型符合标准，它将被合并到主仓库中。
要了解详细步骤，请参考。
使用UltralyticsYOLOv8 进行目标检测的主要优势是什么？
Ultralytics YOLOv8 提供了实时目标检测、实例分割、姿态估计和分类等增强功能。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。YOLOv8 还包括与流行数据集和模型的内置兼容性，详见。
如何在自定义数据上训练YOLOv8 模型？
使用Ultralytics的库可以轻松地在自定义数据上训练 YOLOv8 模型。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)
CLI：
yolo train model=yolov8n.pt data='custom_data.yaml' epochs=100 imgsz=640
更详细的说明可以在上找到。
Ultralytics 支持哪些 YOLO 版本？
Ultralytics 支持从 YOLOv3 到 YOLOv10 的所有 YOLO（You Only Look Once）版本，以及 NAS、SAM 和 RT-DETR 等模型。每个版本都针对解决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，请参阅。
为什么要使用 Ultralytics HUB 进行机器学习项目？
Ultralytics HUB 是一个无代码、端到端的平台，用于训练、部署和管理 YOLO 模型。它简化了复杂的工作流程，使用户能够专注于模型的性能和应用。HUB 还提供了云训练、数据集综合管理和便捷的界面。