Skip to content

Ultralytics支持的模型

欢迎来到Ultralytics的模型文档！我们提供对多种模型的支持，每种模型都针对特定的任务进行了优化，如目标检测、实例分割、图像分类、姿态估计和多目标跟踪。如果您有兴趣将您的模型架构贡献给Ultralytics，请查看我们的贡献指南。

Ultralytics YOLO11 对比图

主要模型

以下是一些关键支持的模型：

  1. YOLOv3：YOLO模型家族的第三次迭代，最初由Joseph Redmon开发，以其高效的实时目标检测能力而闻名。
  2. YOLOv4：YOLOv3的darknet原生更新，由Alexey Bochkovskiy于2020年发布。
  3. YOLOv5：Ultralytics对YOLO架构的改进版本，相比之前的版本提供了更好的性能和速度权衡。
  4. YOLOv6：由美团于2022年发布，并在公司的许多自主配送机器人中使用。
  5. YOLOv7：由YOLOv4的作者于2022年发布的更新版YOLO模型。
  6. YOLOv8：YOLO家族的最新版本，具备增强功能，如实例分割、姿态/关键点估计和分类。
  7. YOLOv9：在Ultralytics YOLOv5代码库上训练的实验模型，实现了可编程梯度信息（PGI）。
  8. YOLOv10：由清华大学开发，采用无NMS训练和效率-准确性驱动的架构，提供最先进的性能和延迟。
  9. YOLO11 🚀 新：Ultralytics最新的YOLO模型，在多个任务中提供最先进的（SOTA）性能。
  10. 分割一切模型（SAM）：Meta的原始分割一切模型（SAM）。
  11. 分割一切模型2（SAM2）：Meta的下一代分割一切模型（SAM），适用于视频和图像。
  12. 移动分割一切模型（MobileSAM）：由韩国庆熙大学开发的适用于移动应用的MobileSAM。
  13. 快速分割一切模型（FastSAM）：由中国科学院自动化研究所图像与视频分析组开发的FastSAM。
  14. YOLO-NAS：YOLO神经架构搜索（NAS）模型。
  15. 实时检测变换器（RT-DETR）：百度PaddlePaddle的实时检测变换器（RT-DETR）模型。
  16. YOLO-World：腾讯AI实验室开发的实时开放词汇目标检测模型。



观看： 只需几行代码即可运行Ultralytics YOLO模型。

入门：使用示例

此示例提供了简单的YOLO训练和推理示例。有关这些和其他模式的完整文档，请参阅预测、训练、验证和导出文档页面。

请注意，以下示例适用于YOLOv8 检测模型，用于目标检测。有关其他支持的任务，请参阅分割、分类和姿态文档。

Example

PyTorch预训练的*.pt模型以及配置*.yaml文件可以传递给YOLO()、SAM()、NAS()和RTDETR()类，以在Python中创建模型实例：

from ultralytics import YOLO

# 加载一个COCO预训练的YOLOv8n模型
model = YOLO("yolov8n.pt")

# 显示模型信息（可选）
model.info()

# 在COCO8示例数据集上训练模型100个周期

results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 使用YOLOv8n模型对'bus.jpg'图像进行推理
results = model("path/to/bus.jpg")

CLI命令可直接运行模型：

# 加载一个COCO预训练的YOLOv8n模型并在COCO8示例数据集上训练100个epoch
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# 加载一个COCO预训练的YOLOv8n模型并对'bus.jpg'图像进行推理
yolo predict model=yolov8n.pt source=path/to/bus.jpg

贡献新模型

有兴趣将您的模型贡献给Ultralytics吗？太好了！我们始终欢迎扩展我们的模型库。

  1. Fork仓库：首先，Fork Ultralytics GitHub仓库。

  2. 克隆您的Fork：将您的Fork克隆到本地机器，并创建一个新分支进行工作。

  3. 实现您的模型：按照我们在贡献指南中提供的编码标准和指南添加您的模型。

  4. 彻底测试：确保对您的模型进行严格测试，无论是独立测试还是作为管道的一部分。

  5. 创建拉取请求：一旦您对您的模型满意，创建一个拉取请求到主仓库进行审查。

  6. 代码审查与合并：审查后，如果您的模型符合我们的标准，它将被合并到主仓库中。

有关详细步骤，请参阅我们的贡献指南。

常见问题

使用Ultralytics YOLOv8进行目标检测的主要优势是什么？

Ultralytics YOLOv8提供了增强的功能，如实时目标检测、实例分割、姿态估计和分类。其优化的架构确保了高速性能，同时不牺牲准确性，使其非常适合各种应用。YOLOv8还包括与流行数据集和模型的内置兼容性，如YOLOv8文档页面所述。

如何在自定义数据上训练YOLOv8模型？

使用Ultralytics的库可以轻松地在自定义数据上训练YOLOv8模型。以下是一个快速示例：

Example

from ultralytics import YOLO

# 加载一个YOLOv8n模型
model = YOLO("yolov8n.pt")

# 在自定义数据集上训练模型
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

yolo train model=yolov8n.pt data='custom_data.yaml' epochs=100 imgsz=640

有关更多详细说明，请访问训练文档页面。

Ultralytics支持哪些YOLO版本？

Ultralytics支持从YOLOv3到YOLOv10的全面YOLO（You Only Look Once）版本，以及NAS、SAM和RT-DETR等模型。每个版本都针对检测、分割和分类等各种任务进行了优化。有关每个模型的详细信息，请参阅Ultralytics支持的模型文档。

为什么我应该使用Ultralytics HUB进行机器学习项目？

Ultralytics HUB提供了一个无需代码的端到端平台，用于训练、部署和管理YOLO模型。它简化了复杂的流程，使用户能够专注于模型性能和应用。HUB还提供了云训练能力、全面的数据集管理和用户友好的界面。在Ultralytics HUB文档页面了解更多信息。

YOLOv8可以执行哪些类型的任务，与其他YOLO版本相比如何？

YOLOv8是一个多功能的模型，能够执行包括目标检测、实例分割、分类和姿态估计在内的任务。与YOLOv3和YOLOv4等早期版本相比，YOLOv8由于其优化的架构，在速度和准确性方面提供了显著的改进。有关更深入的比较，请参阅YOLOv8文档和任务页面，以获取有关特定任务的更多详细信息。 ```


📅 Created 11 months ago ✏️ Updated 10 days ago
jk4e glenn-jocher MatthewNoyce Laughing-q UltralyticsAssistant

Comments