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。
本指南展示了如何将Ultralytics YOLO11与Weights & Biases集成,以提高实验跟踪、模型检查点和模型性能的可视化。
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。
本指南介绍了与Ultralytics YOLO模型兼容的各种数据集格式,包括它们的结构、用法以及如何在不同格式之间进行转换。
YOLOv5 是一款基于 PyTorch 的深度学习框架,用于实时目标检测,具有高速和高精度的特点。本文将详细介绍 YOLOv5 的安装、架构、用例和教程。
探索YOLOv5,一个基于PyTorch的高效深度学习框架,用于实时目标检测。本指南提供了安装、模型架构、使用案例和详细教程。
探索YOLO模型家族及其在对象检测、实例分割、姿态估计和分类等任务中的应用。
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。
本文档阐述了我们社区的行为准则,旨在为所有成员提供一个无骚扰、开放、包容的环境。
本指南介绍了如何将Ultralytics YOLO11模型转换为TensorFlow Lite Edge TPU格式,以提高在移动和嵌入式设备上的性能。
本网页介绍了Ultralytics YOLO在多目标跟踪领域的应用,包括实时性能、高精度、预训练模型的使用,以及如何通过Python和命令行界面进行操作。
本文介绍了如何使用Google Colab平台训练深度学习模型,特别是YOLO11模型,并解答了一些常见问题。
本指南深入探讨了如何利用Intel的OpenVINO工具包来优化Ultralytics YOLO模型的推理性能,特别关注延迟和吞吐量。
本指南提供了关于如何使用Ultralytics COCO8数据集进行物体检测模型的测试、调试和新检测方法的实验。
本文介绍了如何使用Python和Ultralytics库实现目标跟踪算法,包括初始化跟踪器、处理预测结果和注册跟踪回调。
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,您可以轻松探索、可视化和管理数据,无需编写任何代码。
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 HUB 是一个用户友好的在线工具,用于训练和部署YOLOv5和YOLOv8模型。本文介绍了如何使用HUB,以及它与其他AI平台相比的优势。
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。
Ultralytics YOLO 是一个先进的实时对象检测模型,本页面提供了使用和贡献给 Ultralytics YOLO 项目的指南和文档。
YOLOv5u是由Ultralytics开发的YOLOv5模型的高级版本,它集成了无锚点、无目标性分割头部,提高了对象检测任务的准确性和速度。
YOLOv8 是 Ultralytics YOLO 系列的最新版本,它引入了新特性和优化,使其成为各种目标检测任务的理想选择。
本指南提供了如何为Ultralytics YOLO项目做出贡献的详细步骤,包括行为准则、代码提交、CLA签署、文档编写以及如何报告bug等。
本指南详细介绍了如何使用Ultralytics HUB进行模型的训练、评估、导出和分享。涵盖了从选择数据集到模型部署的全过程,提供了详细的步骤说明和技巧。
探索 Ultralytics 提供的多样化 YOLO 模型,包括 YOLOv3 至 YOLOv11,以及 SAM 和 RT-DETR 等。
Ultralytics YOLO11 集成了先进的计算机视觉技术,增强了安全措施,提供实时目标检测,识别并及时响应潜在的安全威胁。
COCO8数据集是一个用于测试和调试对象检测模型的小型数据集,包含8张图片,适用于实验新的检测方法。本文介绍了如何使用COCO8数据集训练YOLO11模型,以及Ultralytics HUB在模型训练中的作用。
本指南介绍了与Ultralytics YOLO模型兼容的数据集格式,并提供了关于其结构、使用方式以及如何在不同格式间转换的见解。
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。