本文档阐述了社区内所有成员应遵守的行为准则,旨在营造一个开放、包容、多元化和健康的社区环境。
本文详细介绍了 COCO 数据集的用途、结构、如何用于训练计算机视觉模型,以及如何获取预训练模型。
本页面介绍了如何使用Ray Tune进行YOLO模型的超参数调优,包括代码示例和参数说明。
Ultralytics COCO8 数据集是一个小型但多样化的对象检测数据集,包含8张图片,用于测试和调试对象检测模型,或尝试新的检测方法。
Ultralytics HUB提供了一个平台,用户可以快速上传数据集并训练新的YOLO模型,同时提供了多种预训练模型供用户选择。
本页面提供了关于Ultralytics YOLO的详细信息,包括如何使用模型、贡献代码、持续集成、数据隐私政策等。
本文介绍了如何使用Ultralytics YOLO进行距离计算,包括代码示例、优势分析以及常见问题解答。
本指南介绍了与Ultralytics YOLO模型兼容的各种数据集格式,深入探讨了它们的结构、使用方式以及如何在不同格式之间进行转换。
Ultralytics HUB 是一款用户友好的Web工具,用于训练和部署YOLOv5和YOLOv8模型。本文详细介绍了如何使用Ultralytics HUB进行模型训练和部署,以及它与其他AI平台相比的优势。
COCO数据集是一个大规模的计算机视觉数据集,用于目标检测、分割和描述生成。它包含了330K张图像,涵盖了80个目标类别的详细标注,是计算机视觉模型基准测试和训练的重要资源。
YOLOv5u 是基于 Ultralytics 开发的 YOLOv5 模型的高级版本,它集成了无锚点、无目标性分割头,提供了更好的准确性和速度的平衡。
YOLOv5u 是由 Ultralytics 开发的先进目标检测模型,它集成了无锚点和分割头技术,提供了在研究和实际应用中的高效解决方案。
YOLO11是一个多功能的AI框架,能够执行目标检测、图像分割、分类、OBB定向目标检测和关键点检测等任务。
YOLOv5是一个基于PyTorch的高效深度学习框架,专为实时目标检测而设计,提供快速、准确的结果。
本指南介绍了如何将Ultralytics YOLO与Weights & Biases集成,以提高模型训练的效率和可视化效果。
Ultralytics YOLO11,最新版本的实时目标检测和图像分割模型,提供无与伦比的速度和准确性。
YOLOv5u是由Ultralytics开发的高级目标检测模型,它集成了无锚点和分割头技术,提供了更好的准确性和速度平衡。
本页面提供Ultralytics YOLO模型和仓库的资源和文档,帮助用户解决使用过程中遇到的问题。
本指南介绍了如何将Ultralytics YOLO11与Weights & Biases集成,以提高模型训练的效率和可视化效果。
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。
本指南介绍了如何将YOLO模型部署在AzureML云服务平台上,包括环境设置、模型训练和预测等步骤。
探索YOLO模型家族,了解其在目标检测、实例分割、图像分类、姿态估计和多目标跟踪等任务中的应用。
本网页介绍了定向边界框(Oriented Bounding Boxes, OBB)技术在图像物体检测中的应用,包括模型训练、验证、预测和导出等。
本文介绍了如何使用Google Colab平台来训练YOLO11深度学习模型,包括平台特点、优势以及常见问题解答。
Ultralytics HUB是一个用户友好且直观的在线工具,允许用户快速上传数据集并训练新的YOLO模型。它还提供了一系列预训练模型,使用户能够轻松上手。
Ultralytics HUB是一个直观的无代码平台,旨在简化您的工作流程。通过Ultralytics HUB,您可以轻松地探索、可视化和管理数据,无需编写任何代码。
本页面介绍了Ultralytics YOLO系列模型,包括YOLOv3至YOLOv11,以及如何使用这些模型进行对象检测、实例分割、图像分类和姿态估计等任务。
YOLOv8 是 Ultralytics 推出的最新目标检测模型,它在准确性和速度上都有显著提升。本文详细介绍了 YOLOv8 的主要功能、支持的任务和模式、性能指标以及如何使用 YOLOv8 进行训练和推理。
本指南介绍了如何在Ultralytics YOLO仓库中创建有效的最小可复现示例(MRE)来报告错误。
探索Ultralytics YOLO11,这是实时目标检测和图像分割领域的最新成果,基于深度学习和计算机视觉的最新进展。