Ultralytics YOLO 使用指南

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。

实时视频流队列管理

本页面介绍了一个基于对象跟踪的实时视频流队列管理系统,包括其主要功能、使用方法和代码实现。

YOLOv8 模型介绍

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。

YOLO11 实例分割模型使用指南

本页面介绍了如何使用YOLO11模型进行实例分割,包括模型训练、验证、预测和导出到不同格式的方法。

YOLO错误报告指南

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。

Ultralytics HUB 介绍与使用指南

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。

使用Google Colab训练深度学习模型

本文介绍了如何使用Google Colab平台来训练深度学习模型,特别是YOLO11模型,并解答了一些常见问题。

Ultralytics YOLO11与Weights & Biases集成指南

本指南展示了如何将Ultralytics YOLO11与Weights & Biases集成,以增强实验跟踪、模型检查点和模型性能的可视化。

社区行为准则

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。

Ultralytics HUB:YOLO模型训练与部署平台

Ultralytics HUB是一个用户友好的平台,允许用户快速上传数据集并训练新的YOLO模型。提供多种预训练模型选择,轻松开始。模型训练完成后,可以在Ultralytics HUB App中预览,并部署用于实时分类、目标检测和实例分割任务。

YOLO11模型性能评估

本网页介绍了如何使用Ultralytics YOLO11的基准测试模式来评估模型在各种真实场景下的性能,包括速度和准确性。

Ultralytics YOLO 模型概览

探索 Ultralytics 提供的多样化 YOLO 模型,包括 YOLOv3 至 YOLOv11,以及 SAM 和 RT-DETR 等。

高级定制化YOLO模型训练

本网页介绍了如何使用Ultralytics YOLO进行高级定制化模型训练,包括自定义模型、数据加载器以及添加回调函数。

COCO8数据集与YOLO模型训练指南

本网页介绍了COCO8数据集的构成、特点以及如何使用YOLO模型进行训练和验证。

Ultralytics HUB:快速训练YOLO模型

Ultralytics HUB 提供了一个平台,允许用户快速上传数据集并训练新的YOLO模型。平台还提供了多种预训练模型供用户选择,使得用户可以轻松开始。一旦模型训练完成,用户可以在Ultralytics HUB App中预览模型,然后将其部署用于实时分类、目标检测和实例分割任务。

YOLO11 AI框架功能介绍

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。

Ultralytics项目中的Conda环境设置

本网页介绍了如何为Ultralytics项目设置Conda环境,安装Ultralytics包,以及如何使用Ultralytics Docker镜像。

计算机视觉数据集概览

本文介绍了多个用于计算机视觉任务的数据集,包括对象检测、实例分割、姿态估计、分类和多目标跟踪等任务的主流数据集。

YOLO11模型转换为NCNN格式指南

本文介绍了如何将Ultralytics YOLO11模型转换为NCNN格式,以优化移动和嵌入式设备上的深度学习任务性能。

社区行为准则

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。

YOLOv5u模型介绍

YOLOv5u是由Ultralytics开发的高级目标检测模型,它集成了无锚点分割头,提供了一个在速度和准确性之间取得平衡的高效解决方案。

YOLOv5 目标检测模型教程

YOLOv5 是一个革命性的目标检测模型,它基于 PyTorch 构建,提供高速且准确的实时检测结果。本文将指导你如何安装、理解模型架构、使用案例和详细的教程,帮助你充分利用 YOLOv5 进行计算机视觉项目的开发。

YOLOv5 目标检测模型介绍

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。

Ultralytics YOLO模型与平台集成

本页面介绍了Ultralytics YOLO模型与各种工具和平台的集成方式,旨在简化机器学习工作流程,提高数据集管理效率,简化模型训练,并促进高效部署。

Ultralytics COCO 数据集介绍

本页面提供了关于Ultralytics COCO 数据集的详细介绍,包括数据集的用途、如何使用该数据集进行模型训练、马赛克增强训练的好处以及如何验证训练好的YOLO11模型。

基于Ultralytics YOLOv8的区域目标计数

本网页介绍了如何使用Ultralytics YOLOv8进行区域目标计数,包括其优势、实际应用场景以及如何运行计数脚本。

Ultralytics YOLO模型系列

探索Ultralytics提供的YOLO模型系列,包括YOLOv3至YOLOv11,以及各种高级功能如实例分割和姿态估计。

最小可重现示例(MRE)指南

本页面提供了关于如何创建最小可重现示例(MRE)的详细指南,以帮助开发者更有效地报告和解决编程问题。

如何为Ultralytics YOLO提交有效的错误报告

本指南旨在帮助用户为Ultralytics YOLO项目提交有效的错误报告,包括创建最小可复现示例(MRE)的步骤和注意事项。

Ultralytics YOLO 模型概览

探索 Ultralytics 提供的 YOLO 模型系列,包括 YOLOv3 至 YOLOv11,以及 SAM 和 RT-DETR 等模型,了解它们在目标检测和实例分割等领域的应用。

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