UltralyticsYOLO11是一款基于深度学习和计算机视觉的最新实时目标检测与图像分割模型。它在速度和准确性方面提供了无与伦比的性能。YOLO11 的设计简洁,适用于各种应用场景,并且可以轻松适配不同的硬件平台,从边缘设备到云端API。
探索 Ultralytics 文档,这是一个全面的资源,旨在帮助理解和利用其特性和能力。无论是经验丰富的机器学习从业者还是该领域的新手,这个中心都旨在最大化 YOLO 在项目中的潜力。
使用 pip 安装 ultralytics,几分钟内即可开始训练 YOLO 模型。
pip install ultralytics
使用 YOLO 对新图像、视频和流进行预测。
从头开始在自己的自定义数据集上训练新的 YOLO 模型,或加载并训练预训练模型。
发现 YOLO 任务,如检测、分割、分类、姿态估计、OBB 和跟踪。
探索 Ultralytics 最新的 YOLO11 模型及其能力。
Ultralytics 提供两种 YOLO 许可选项:AGPL-3.0 许可和企业许可。Ultralytics 可在 GitHub 上找到。
YOLO(You Only Look Once)是由华盛顿大学的 Joseph Redmon 和 Ali Farhadi 开发的流行的目标检测和图像分割模型。自 2015 年推出以来,YOLO 因其高速度和准确性迅速受到欢迎。
YOLOv2 在 2016 年发布,通过结合批量归一化、锚框和多尺度特征融合改进了初始模型。YOLOv3 在 2018 年发布,通过使用更有效的空间金字塔网络、多个锚框和自适应特征金字塔进一步提高了模型性能。
YOLOv4 在 2020 年发布,引入了如 Mosaic 数据增强、新的无锚检测头和新的损失函数等创新。YOLOv5 进一步提高了模型性能,并增加了新功能,如超参数优化、集成实验跟踪和自动导出到流行的输出格式。
YOLOv6 由美团在 2022 年开源,并被用于该公司的许多自动送货机器人中。YOLOv7 添加了额外的任务,如在 COCO 主点数据集上估计姿态。YOLOv8 在 2023 年由 Ultralytics 发布,引入了新功能和改进,以增强性能、灵活性和效率,支持一系列视觉 AI 任务。
YOLOv9 引入了创新的方法,如可编程颜色转换信息(PGI)和有效的通用层网络(GELAN)。YOLOv10 由清化大学的研究人员使用 Ultralytics Python 包创建,通过引入端到端的头部来实现实时目标检测,消除了非最大抑制(NMS)的要求。
YOLO11🚀 NEW:Ultralytics 的最新 YOLO 模型,提供最先进的性能,涵盖多个任务,包括检测、分割、姿态估计、跟踪和分类,利用跨不同 AI 应用和领域的能力。
Ultralytics 提供两种 YOLO 许可选项,以适应各种使用情况:AGPL-3.0 许可和企业许可。AGPL-3.0 许可是开源的,被 OSI 批准,适合学生和爱好者使用,促进开放合作和知识共享。企业许可旨在用于商业目的,允许将 Ultralytics 软件和 AI 模型无缝集成到商品和服务中,绕过 AGPL-3.0 许可的开源要求。
许可策略旨在确保对开源项目所做的任何改进都回馈给社区。亲近开源原则,并致力于确保贡献可以被使用和扩展,以造福所有人。
UltralyticsYOLO 是什么,它如何改进目标检测能力?
Ultralytics YOLO 是 YOLO(You Only Look Once)系列中的最新进展,用于实时目标检测和图像分割。它通过引入新功能和改进来增强性能、灵活性和效率。YOLO 支持各种视觉 AI 任务,如检测、分割、姿态估计、跟踪和分类。其最先进的架构确保了卓越的速度和准确性,使其适合各种应用,包括边缘设备和云 API。
开始使用 YOLO 快速且简单。可以使用 pip 安装 Ultralytics 包,并在几分钟内开始运行。以下是基本安装命令:
pip install ultralytics
有关详细的分步指南,请访问快速入门指南。这个资源将帮助了解安装、初始设置和运行第一个模型。
在自己的自定义数据集上训练自定义 YOLO 模型包括几个详细步骤:准备带注释的数据集、配置 YAML 文件中的训练参数、使用 yolo TASK train 命令开始训练(每个 TASK 都有自己的参数)。
from ultralytics import YOLO
# 加载预训练的 YOLO 模型(可以选择 n, s, m, l 或 x 版本)
model = YOLO(
"yolo11n.pt"
)
# 在自定义数据集上开始训练
model.train(
data = "path/to/dataset.yaml",
epochs = 100,
imgsz = 640
)
有关详细的训练指南,请查看模型训练指南,包括示例和技巧,以优化训练过程。
Ultralytics 为 YOLO 提供两种许可选项:AGPL-3.0 许可和企业许可。AGPL-3.0 许可是开源的,适合教育和非商业用途,促进开放合作。企业许可旨在用于商业应用,允许将 Ultralytics 软件无缝集成到商业产品中,而不受 AGPL-3.0 许可的限制。
有关更多详细信息,请访问许可页面。
UltralyticsYOLO 支持有效的多对象跟踪,并可定制。要使用跟踪功能,可以使用以下命令:
from ultralytics import YOLO
# 加载预训练的 YOLO 模型
model = YOLO(
"yolo11n.pt"
)
# 在视频中开始跟踪对象
# 也可以使用实时视频流或网络摄像头输入
model.track(
source = "path/to/video.mp4"
)
有关如何设置和运行对象跟踪的详细指南,请查看跟踪模式文档,解释配置和实时场景中的实用应用。