Ultralytics YOLO 模型概览

在计算机视觉领域，Ultralytics 提供了一系列优化的 YOLO（You Only Look Once）模型，这些模型专为对象检测、实例分割、图像分类、姿态估计和多对象跟踪等特定任务量身定制。支持从 YOLOv3 到 YOLOv11 等多个版本的模型，以及 SAM、RT-DETR 等其他先进的模型。如果有兴趣为模型架构贡献自己的力量，可以查看。

以下是支持的一些基础模型：

YOLOv3：由 Joseph Redmon 开发的 YOLO 模型系列的第三次迭代，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 darknet 本地更新版本。
YOLOv5：由 Ultralytics 开发的 YOLO 架构的改进版本，与之前的版本相比，提供了更好的性能和速度平衡。
YOLOv6：由美团在 2022 年推出，广泛用于公司的自动配送机器人中。
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。
YOLOv9：一个在 Ultralytics 上训练的实验性模型，采用了可编程梯度信息（PGI）。
YOLOv10：由清华大学开发，不包含 NMS，专注于训练和效率-准确性的架构，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）。
Segment Anything Model (SAM)：Meta 的原始 Segment Anything Model。
Segment Everything Model 2 (SAM2)：适用于视频和图像的 Meta 的 Segment Anything Model 的新一代。
Mobile Segment Everything Model (MobileSAM)：由 Kyung Hee University 开发，适用于移动应用的 MobileSAM。
Fast Segment Everything Model (FastSAM)：由中国科学自动化研究所图像和视频分析组开发的 FastSAM。
YOLO-NAS：YOLO 神经架构搜索（NAS）模型。
Realtime Detection Transformers (RT-DETR)：百度的 PaddlePaddle Realtime Detection Transformer 模型。
YOLO-World：由腾讯 AI Lab 提供的实时开放词汇对象检测模型。

快速开始：使用示例

以下示例提供了基本的 YOLO 训练和推理示例。有关其他模型的详细文档，请参阅 Predict、Train、Val 和 Export 文档页面。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，请参阅 Segment、Classify 和 Pose 文档。

可以使用以下 Python 类在 Ultralytics 导入预训练的 *.pt 模型和配置 *.yaml 文件：


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 模型在 'bus.jpg' 图像上运行推理
results = model("path/to/bus.jpg")

CLI 命令可以直接运行模型：


# 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

如果想用模型为Ultralytics做出贡献，非常欢迎！始终开放模型组合的扩展。

克隆仓库：通过克隆Ultralytics的 GitHub 仓库开始。
克隆分支：将分支克隆到本地计算机，并为工作创建一个新的分支。
应用模型：遵循中提供的编码标准和指导方针，将模型添加进去。
彻底测试：确保模型单独以及作为管道的一部分都经过了仔细的测试。
创建拉取请求：当对模型感到满意时，为审查创建一个拉取请求到主仓库。
代码审查和合并：审查后，如果模型满足标准，它将被合并到主仓库中。

更多详细信息，请查看。

常见问题解答

使用 Ultralytics YOLOv8 的基本优势是什么？ 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，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？使用 Ultralytics 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)

更多详细指南，请访问。

Ultralytics支持哪些 YOLO 版本？ Ultralytics 支持从 YOLOv3 到 YOLOv10 的广泛 YOLO（You Only Look Once）版本范围，包括 NAS、SAM 和 RT-DETR 等模型。每个版本都针对检测、分割和分类等不同任务进行了优化。有关每个模型的详细信息，请参见。

为什么要使用 Ultralytics HUB 进行机器学习项目？ Ultralytics HUB 提供了一个无代码、端到端的平台，用于训练、部署和管理 YOLO 模型。它通过简化复杂的工作流程，使用户能够专注于模型性能和应用。HUB 还提供了云训练能力、全面的数据集管理和用户友好的界面。

Ultralytics YOLO 模型概览

快速开始：使用示例

贡献新模型

常见问题解答

Ultralytics YOLO 资源指南

YOLOv5u模型介绍

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

Ultralytics YOLO 模型概览

快速开始：使用示例

贡献新模型

常见问题解答

Ultralytics YOLO 资源指南

YOLOv5u模型介绍

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

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