Skip to content

Ultralytics YOLO 综合教程

欢迎来到Ultralytics的YOLO 🚀 指南！我们的综合教程涵盖了YOLO 目标检测模型的各个方面，从训练和预测到部署。基于PyTorch构建的YOLO，以其卓越的速度和准确性在实时目标检测任务中脱颖而出。

无论你是深度学习的初学者还是专家，我们的教程都将为你提供关于YOLO实现和优化的宝贵见解，以应用于你的计算机视觉项目。让我们开始吧！



观看: Ultralytics YOLO11 指南概览

指南

以下是深入指南的汇编，帮助你掌握Ultralytics YOLO的不同方面。

  • YOLO常见问题 ⭐ 推荐: 针对使用Ultralytics YOLO模型时最常遇到的问题，提供实用的解决方案和故障排除技巧。
  • YOLO性能指标 ⭐ 必备: 了解用于评估YOLO模型性能的关键指标，如mAP、IoU和F1分数。包括实际示例和提升检测准确性和速度的技巧。
  • 模型部署选项: YOLO 模型部署格式的概述，如ONNX、OpenVINO和TensorRT，以及每种格式的优缺点，以指导你的部署策略。
  • K折交叉验证 🚀 新: 学习如何使用K折交叉验证技术提高模型泛化能力。
  • 超参数调优 🚀 新: 发现如何通过使用Tuner类和遗传进化算法微调超参数来优化你的YOLO模型。
  • SAHI分块推理 🚀 新: 全面指南，介绍如何利用SAHI的分块推理能力与YOLO11进行高分辨率图像中的目标检测。
  • AzureML快速入门 🚀 新: 在微软的Azure 机器学习平台上快速上手Ultralytics YOLO模型。学习如何在云端训练、部署和扩展你的目标检测项目。
  • Conda快速入门 🚀 新: 逐步指南，介绍如何为Ultralytics设置Conda环境。学习如何使用Conda高效安装和开始使用Ultralytics包。
  • Docker快速入门 🚀 新: 完整指南，介绍如何使用Docker设置和使用Ultralytics YOLO模型。学习如何安装Docker、管理GPU支持，并在隔离容器中运行YOLO模型，以实现一致的开发和部署。
  • Raspberry Pi 🚀 新: 快速入门教程，介绍如何在最新的Raspberry Pi硬件上运行YOLO模型。
  • NVIDIA Jetson 🚀 新: 在NVIDIA Jetson设备上部署YOLO模型的快速入门指南。
  • NVIDIA Jetson上的DeepStream 🚀 新: 使用DeepStream和TensorRT在NVIDIA Jetson设备上部署YOLO模型的快速入门指南。
  • Triton推理服务器集成 🚀 新: 深入了解Ultralytics YOLO11与NVIDIA的Triton推理服务器的集成，以实现可扩展和高效的深度学习推理部署。
  • YOLO线程安全推理 🚀 新: 在YOLO模型中执行线程安全推理的指南。学习线程安全的重要性以及防止竞争条件和确保一致预测的最佳实践。
  • 隔离分割对象 🚀 新: 逐步指南和解释，介绍如何使用Ultralytics分割从图像中提取和/或隔离对象。
  • 树莓派上的Edge TPU: Google Edge TPU 加速 树莓派 上的YOLO推理。
  • 在终端中查看推理图像: 使用VSCode的集成终端在远程隧道或SSH会话中查看推理结果。
  • OpenVINO延迟与吞吐量模式 - 学习延迟和吞吐量优化技术，以实现YOLO推理的最佳性能。
  • 计算机视觉项目步骤 🚀 新内容: 了解计算机视觉项目中的关键步骤，包括定义目标、选择模型、准备数据和评估结果。
  • 定义计算机视觉项目的目标 🚀 新内容: 了解如何有效地为您的计算机视觉项目定义明确且可衡量的目标。学习明确定义问题陈述的重要性及其如何为您的项目创建路线图。
  • 数据收集与标注 🚀 新内容: 探索收集和标注数据以创建高质量输入的工具、技术和最佳实践，用于您的计算机视觉模型。
  • 预处理标注数据 🚀 新内容: 学习使用YOLO11在计算机视觉项目中预处理和增强图像数据，包括归一化、数据集增强、分割和探索性数据分析（EDA）。
  • 模型训练技巧 🚀 新内容: 探索优化批量大小、使用混合精度、应用预训练权重等的技巧，使您的计算机视觉模型训练变得轻松。
  • 模型评估与微调的见解 🚀 新内容: 了解评估和微调计算机视觉模型的策略和最佳实践。学习通过迭代过程优化模型以实现最佳结果。
  • 模型测试指南 🚀 新内容: 在现实环境中测试计算机视觉模型的详细指南。学习如何验证准确性、可靠性和性能，以符合项目目标。
  • 模型部署的最佳实践 🚀 新内容: 了解在计算机视觉项目中高效部署模型的技巧和最佳实践，重点在于优化、故障排除和安全性。
  • 维护您的计算机视觉模型 🚀 新内容: 了解监控、维护和记录计算机视觉模型的关键实践，以确保准确性、发现异常并减轻数据漂移。
  • ROS快速入门 🚀 新内容: 学习如何将YOLO与机器人操作系统（ROS）集成，以在机器人应用中实现实时物体检测，包括点云和深度图像。

为我们的指南贡献

我们欢迎社区的贡献！如果您已经掌握了Ultralytics YOLO的某个方面，而我们的指南尚未涵盖，我们鼓励您分享您的专业知识。撰写指南是回馈社区并帮助我们使文档更加全面和用户友好的好方法。

要开始，请阅读我们的贡献指南，了解如何开启一个Pull Request（PR）🛠️。我们期待您的贡献！

让我们共同努力，使Ultralytics YOLO生态系统更加强大和多功能 🙏！

常见问题

如何使用Ultralytics YOLO训练自定义对象检测模型？

使用Ultralytics YOLO训练自定义对象检测模型非常简单。首先，以正确格式准备您的数据集并安装Ultralytics包。使用以下代码开始训练：

Example

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # 加载预训练的YOLO模型
model.train(data="path/to/dataset.yaml", epochs=50)  # 在自定义数据集上训练

yolo task=detect mode=train model=yolo11n.pt data=path/to/dataset.yaml epochs=50

有关详细的格式化数据集和额外选项，请参阅我们的模型训练技巧指南。

我应该使用哪些性能指标来评估我的YOLO模型？

评估您的YOLO模型性能对于了解其有效性至关重要。关键指标包括平均精度均值（mAP）、交并比（IoU）和F1分数。这些指标有助于评估目标检测任务的准确性和精确度。您可以在我们的YOLO性能指标指南中了解更多关于这些指标的信息以及如何改进您的模型。

为什么我应该使用Ultralytics HUB进行计算机视觉项目？

Ultralytics HUB是一个无代码平台，简化了YOLO模型的管理、训练和部署。它支持无缝集成、实时跟踪和云端训练，非常适合初学者和专业人士。通过我们的Ultralytics HUB快速入门指南，了解更多其功能以及如何简化您的工作流程。

YOLO模型训练过程中常见的挑战是什么，我该如何解决？

YOLO模型训练过程中常见的挑战包括数据格式错误、模型架构不匹配和训练数据不足。为解决这些问题，请确保您的数据集格式正确，检查兼容的模型版本，并扩充您的训练数据。如需全面的解决方案列表，请参阅我们的YOLO常见问题指南。

如何在边缘设备上部署我的YOLO模型进行实时目标检测？

在NVIDIA Jetson和Raspberry Pi等边缘设备上部署YOLO模型需要将模型转换为TensorRT或TFLite等兼容格式。按照我们的NVIDIA Jetson和Raspberry Pi部署分步指南，开始在边缘硬件上进行实时目标检测。这些指南将引导您完成安装、配置和性能优化。


📅 Created 11 months ago ✏️ Updated 13 days ago
UltralyticsAssistant glenn-jocher MatthewNoyce abirami-vina lakshanthad ambitious-octopus RizwanMunawar Burhan-Q

Comments