5.2 KiB

Raw Permalink Blame History

comments	description	keywords
true	探索 Ultralytics 支持的多样化 YOLO 系列、SAM、MobileSAM、FastSAM、YOLO-NAS 和 RT-DETR 模型。开启您的 CLI 和 Python 使用示例之旅。	Ultralytics, 文档, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR, 模型, 架构, Python, CLI

Ultralytics 支持的模型

欢迎来到 Ultralytics 的模型文档！我们提供多种模型的支持，每种模型都针对特定任务量身定做，如对象检测、实例分割、图像分类、姿态估计以及多对象跟踪。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。

!!! Note "注意"

🚧 我们的多语言文档目前正在建设中，我们正在努力进行完善。感谢您的耐心等待！🙏

特色模型

以下是一些关键模型的介绍：

YOLOv3：由 Joseph Redmon 最初开发的 YOLO 模型家族的第三版，以其高效的实时对象检测能力而闻名。
YOLOv4：由 Alexey Bochkovskiy 在 2020 年发布的 YOLOv3 的 darknet 原生更新版本。
YOLOv5：Ultralytics 改进的 YOLO 架构版本，与先前版本相比，提供了更好的性能和速度权衡。
YOLOv6：由美团在 2022 年发布，用于公司多个自主送货机器人中。
YOLOv7：YOLOv4 作者在 2022 年发布的更新版 YOLO 模型。
YOLOv8 NEW 🚀：YOLO 家族的最新版本，具备实例分割、姿态/关键点估计和分类等增强能力。
Segment Anything Model (SAM)：Meta 的 Segment Anything Model (SAM)。
Mobile Segment Anything Model (MobileSAM)：由庆熙大学开发的移动应用 MobileSAM。
Fast Segment Anything Model (FastSAM)：中国科学院自动化研究所图像与视频分析组开发的 FastSAM。
YOLO-NAS：YOLO 神经网络结构搜索 (NAS) 模型。
Realtime Detection Transformers (RT-DETR)：百度 PaddlePaddle 实时检测变换器 (RT-DETR) 模型。

观看： 使用 Ultralytics YOLO 模型在几行代码中运行。

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，请查看Predict、Train、Val 和 Export 文档页面。

请注意，以下示例适用于对象检测的 YOLOv8 Detect 模型。有关其他支持任务的详细信息，请查看Segment、Classify 和 Pose 文档。

!!! Example "示例"

=== "Python"

    可将 PyTorch 预训练的 `*.pt` 模型以及配置文件 `*.yaml` 传入 `YOLO()`、`SAM()`、`NAS()` 和 `RTDETR()` 类，以在 Python 中创建模型实例：

    ```python
    from ultralytics import YOLO

    # 加载 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"

    CLI 命令可直接运行模型：

    ```bash
    # 加载 COCO 预训练的 YOLOv8n 模型，并在 COCO8 示例数据集上训练 100 个周期
    yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

    # 加载 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投资组合。

Fork 仓库：从 Fork Ultralytics GitHub 仓库开始。
克隆您的 Fork：将您的 Fork 克隆到您的本地机器，并创建一个新的分支进行工作。
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。
彻底测试：确保彻底测试您的模型，无论是独立测试还是作为流水线的一部分。
创建拉取请求：一旦您对您的模型满意，就创建一个拉取请求以供主仓库审查。
代码审查与合并：经过审查，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。

5.2 KiB Raw Permalink Blame History Unescape Escape

Ultralytics 支持的模型

特色模型

入门：使用示例

贡献新模型

5.2 KiB

Raw Permalink Blame History