果到生產(chǎn)部署)
Ultralytics YOLO 快速上手完整教程從第一個檢測結(jié)果到生產(chǎn)部署【免費下載鏈接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking項目地址: https://gitcode.com/GitHub_Trending/ul/ultralyticsUltralytics YOLO 是一個以 YOLO 目標(biāo)檢測為核心的 Python 計算機視覺框架同時覆蓋實例分割、姿態(tài)估計、圖像分類等任務(wù)。它把訓(xùn)練、驗證、部署都封裝成統(tǒng)一的命令行入口你只要會改幾個參數(shù)就能跑通完整的視覺 AI 流程。 能力全景一個框架八類視覺任務(wù)在動手之前先看看它能幫你解決哪些問題。Ultralytics YOLO 不只是一個檢測器而是一整套任務(wù)矩陣每個任務(wù)對應(yīng)不同的模型命名后綴你可以按需取用任務(wù)做什么模型后綴示例典型應(yīng)用目標(biāo)檢測給畫面中的物體畫框并給出類別yolo26n.pt安防監(jiān)控、工業(yè)質(zhì)檢實例分割為每個物體生成像素級輪廓yolo26n-seg.pt醫(yī)學(xué)影像、制造質(zhì)檢語義分割給畫面中每個像素打上類別yolo26n-semantic.pt場景解析、自動駕駛單目深度估計從一張 RGB 圖預(yù)測深度圖yolo26n-depth.pt機器人、三維重建姿態(tài)估計定位人體關(guān)鍵點yolo26n-pose.pt健身計數(shù)、體育分析OBB 旋轉(zhuǎn)框檢測帶角度的定向邊框yolo26n-obb.pt衛(wèi)星影像、物流分揀圖像分類判斷整張圖屬于哪一類yolo26n-cls.pt圖庫管理、物料識別目標(biāo)跟蹤視頻中給目標(biāo)分配持續(xù) ID檢測模型 track 模式人流統(tǒng)計、行為分析各任務(wù)的詳細(xì)說明在官方文檔 docs/en/tasks/ 目錄下每種任務(wù)都有獨立的介紹頁包含對應(yīng)的模型精度數(shù)據(jù)。?? YOLO 快速上手五分鐘拿到第一個檢測結(jié)果建立信心最快的方式是讓自己親手跑出第一張標(biāo)注圖。你只需要兩條命令。第一步安裝框架本體pip install -U ultralytics這條命令會連帶裝好 PyTorch、OpenCV 等依賴裝完即插即用。第二步用內(nèi)置的預(yù)訓(xùn)練模型對一張本地圖片做推理yolo predict modelyolo26n.pt sourceultralytics/assets/zidane.jpg執(zhí)行后你會在runs/predict/目錄下看到標(biāo)注好的輸出圖。其中yolo26n.pt是首次使用時自動下載的預(yù)訓(xùn)練權(quán)重source可以換成任意本地圖片、視頻文件甚至攝像頭編號。如果你想要最新的開發(fā)版本而不是穩(wěn)定版可以克隆倉庫后以可編輯模式安裝git clone https://gitcode.com/GitHub_Trending/ul/ultralytics cd ultralytics pip install -e .到這一步你已經(jīng)完成了一次完整的 YOLO 目標(biāo)檢測推理后面所有操作都是在這個基礎(chǔ)上加參數(shù)。 場景化實戰(zhàn)三個常見需求怎么做街面人流計數(shù)監(jiān)控畫面里的實時統(tǒng)計場景描述你有一段街道或商場監(jiān)控想知道單位時間內(nèi)經(jīng)過了多少行人或者畫面里當(dāng)前有多少人。怎么做Ultralytics 內(nèi)置了對象計數(shù)解決方案源碼在 ultralytics/solutions/不需要你自己寫統(tǒng)計邏輯一條命令即可yolo solutions count showTrue能得到什么畫面上實時疊加計數(shù)框與總數(shù)你可以按區(qū)域劃分、按類別統(tǒng)計直接產(chǎn)出監(jiān)控報表需要的數(shù)據(jù)。健身動作識別從姿態(tài)估計到動作計數(shù)場景描述健身 App 或體育分析系統(tǒng)需要判斷用戶做了多少個俯臥撐或者動作姿勢是否標(biāo)準(zhǔn)。怎么做切換成姿態(tài)估計模型模型后綴加-pose它會輸出每個人體 17 個關(guān)節(jié)點鼻、眼、肩、肘、腕、髖、膝、踝等的坐標(biāo)yolo pose modelyolo26n-pose.pt sourcevideo.mp4能得到什么每一幀中所有人的關(guān)鍵點位圖。基于這些點位你可以做動作計數(shù)、姿勢判別項目里就有現(xiàn)成的動作識別示例可以參照examples/YOLOv8-Action-Recognition/。連續(xù)目標(biāo)跟蹤擁擠畫面里誰是誰場景描述檢測只告訴你這一幀有什么但視頻場景還需要上幀那個人這幀在哪比如追蹤某個人在走廊里的完整移動軌跡。怎么做把檢測模型切換到 track 模式即可不用重新訓(xùn)練yolo track modelyolo26n.pt sourcevideo.mp4 persistTrue能得到什么每個目標(biāo)一個持續(xù)穩(wěn)定的 ID跨幀不丟失、不串號。底層的跟蹤器實現(xiàn)在 ultralytics/trackers/包含 ByteTrack、BoT-SORT 等多種可選算法。 從原型到生產(chǎn)訓(xùn)練、驗證、部署的路徑跑通預(yù)訓(xùn)練模型只是起點。當(dāng)你有自己的數(shù)據(jù)需求時完整路徑是三步訓(xùn)練、驗證、導(dǎo)出。在自己數(shù)據(jù)上訓(xùn)練模型自定義數(shù)據(jù)集訓(xùn)練先準(zhǔn)備圖片和標(biāo)注文件再用 YAML 描述數(shù)據(jù)集結(jié)構(gòu)。ultralytics/cfg/datasets/ 下有幾十個現(xiàn)成模板照著改路徑和類別名就行最小驗證集coco8.yaml特別適合先跑通流程yolo train modelyolo26n.pt datacoco8.yaml epochs50訓(xùn)練過程中的學(xué)習(xí)率、批量大小、數(shù)據(jù)增強等超參數(shù)都集中在 ultralytics/cfg/default.yaml 里不想逐條傳參可以直接改這個文件。驗證模型表現(xiàn)訓(xùn)練完別急著上線先在測試集上量一下精度yolo val modelruns/detect/train/weights/last.pt datacoco8.yaml它會給出精度、召回率、mAP 等指標(biāo)幫你判斷這個模型值不值得部署。導(dǎo)出為部署格式驗證達(dá)標(biāo)后一條命令把模型導(dǎo)出成推理引擎能直接加載的格式y(tǒng)olo export modelbest.pt formatonnxformat參數(shù)可換成 tensorrt、openvino、coreml、tflite 等對應(yīng) NVIDIA GPU、Intel CPU、蘋果設(shè)備、移動端等不同部署環(huán)境。導(dǎo)出邏輯的源碼在 ultralytics/utils/export/各硬件平臺的推理示例在 examples/cpp/ 里都有對應(yīng)實現(xiàn)。如果你要容器化交付docker/ 目錄提供了 GPU、CPU、Jetson 等專用鏡像。?? 避坑指南新手最常踩的 3 個坑坑一GPU 環(huán)境沒配對模型默默跑在 CPU 上癥狀是訓(xùn)練慢或者報 CUDA 相關(guān)錯誤。解決方向用 conda 時把 pytorch、torchvision、pytorch-cuda 和 ultralytics 放在同一條命令里安裝讓包管理器自己解決版本沖突裝完先用python -c import torch; print(torch.cuda.is_available())確認(rèn)顯卡可見?？佣?shù)據(jù)集配置指向錯誤訓(xùn)練第一步就報錯最常見的是 YAML 里圖片根路徑寫錯或者標(biāo)注文件不在預(yù)期位置。解決方向拿 ultralytics/cfg/datasets/ 里現(xiàn)成的 YAML 做模板只改路徑和類別不要從零手寫先用 coco8 這類小數(shù)據(jù)集驗證配置正確再切換到大數(shù)據(jù)?？尤龑?dǎo)出參數(shù)和訓(xùn)練時不一致上線后精度掉換了輸入尺寸或批量大小導(dǎo)出模型的精度可能和驗證時不一樣。解決方向?qū)С鰰r保持與訓(xùn)練、驗證相同的imgsz如果必須改尺寸改完重新跑一次驗證再上線。 延伸與資源繼續(xù)深入去哪里官方文檔docs/任務(wù)說明在 docs/en/tasks/各模型介紹在 docs/en/models/常見超參數(shù)手冊在 docs/macros/示例代碼examples/涵蓋 ONNX Runtime、C、Rust 多語言推理和各類應(yīng)用 demo配置文件ultralytics/cfg/模型結(jié)構(gòu)定義和數(shù)據(jù)集定義都在這容器化部署docker/按目標(biāo)硬件選對應(yīng)鏡像常見問題docs/en/help/FAQ.md遇到問題先來這里查收尾你的下一步Ultralytics YOLO 上手并不難一條命令拿到檢測結(jié)果再一條命令訓(xùn)練出屬于你自己的模型最后一條命令導(dǎo)出可部署的產(chǎn)物。建議現(xiàn)在就做三件事——先跑通上面五分鐘那段流程再用coco8.yaml完整訓(xùn)練一版模型看一遍完整日志最后把模型導(dǎo)出成 ONNX。走通這三步你就從看過文檔變成了用過 YOLO后面的自定義數(shù)據(jù)集訓(xùn)練和生產(chǎn)部署都只是參數(shù)的事。【免費下載鏈接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking項目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 Ultralytics YOLO 快速上手完整教程：從第一個檢測結(jié)果到生產(chǎn)部署
Ultralytics YOLO 快速上手完整教程從第一個檢測結(jié)果到生產(chǎn)部署【免費下載鏈接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking項目地址: https://gitcode.com/GitHub_Trending/ul/ultralyticsUltralytics YOLO 是一個以 YOLO 目標(biāo)檢測為核心的 Python 計算機視覺框架同時覆蓋實例分割、姿態(tài)估計、圖像分類等任務(wù)。它把訓(xùn)練、驗證、部署都封裝成統(tǒng)一的命令行入口你只要會改幾個參數(shù)就能跑通完整的視覺 AI 流程。 能力全景一個框架八類視覺任務(wù)在動手之前先看看它能幫你解決哪些問題。Ultralytics YOLO 不只是一個檢測器而是一整套任務(wù)矩陣每個任務(wù)對應(yīng)不同的模型命名后綴你可以按需取用任務(wù)做什么模型后綴示例典型應(yīng)用目標(biāo)檢測給畫面中的物體畫框并給出類別yolo26n.pt安防監(jiān)控、工業(yè)質(zhì)檢實例分割為每個物體生成像素級輪廓yolo26n-seg.pt醫(yī)學(xué)影像、制造質(zhì)檢語義分割給畫面中每個像素打上類別yolo26n-semantic.pt場景解析、自動駕駛單目深度估計從一張 RGB 圖預(yù)測深度圖yolo26n-depth.pt機器人、三維重建姿態(tài)估計定位人體關(guān)鍵點yolo26n-pose.pt健身計數(shù)、體育分析OBB 旋轉(zhuǎn)框檢測帶角度的定向邊框yolo26n-obb.pt衛(wèi)星影像、物流分揀圖像分類判斷整張圖屬于哪一類yolo26n-cls.pt圖庫管理、物料識別目標(biāo)跟蹤視頻中給目標(biāo)分配持續(xù) ID檢測模型 track 模式人流統(tǒng)計、行為分析各任務(wù)的詳細(xì)說明在官方文檔 docs/en/tasks/ 目錄下每種任務(wù)都有獨立的介紹頁包含對應(yīng)的模型精度數(shù)據(jù)。?? YOLO 快速上手五分鐘拿到第一個檢測結(jié)果建立信心最快的方式是讓自己親手跑出第一張標(biāo)注圖。你只需要兩條命令。第一步安裝框架本體pip install -U ultralytics這條命令會連帶裝好 PyTorch、OpenCV 等依賴裝完即插即用。第二步用內(nèi)置的預(yù)訓(xùn)練模型對一張本地圖片做推理yolo predict modelyolo26n.pt sourceultralytics/assets/zidane.jpg執(zhí)行后你會在runs/predict/目錄下看到標(biāo)注好的輸出圖。其中yolo26n.pt是首次使用時自動下載的預(yù)訓(xùn)練權(quán)重source可以換成任意本地圖片、視頻文件甚至攝像頭編號。如果你想要最新的開發(fā)版本而不是穩(wěn)定版可以克隆倉庫后以可編輯模式安裝git clone https://gitcode.com/GitHub_Trending/ul/ultralytics cd ultralytics pip install -e .到這一步你已經(jīng)完成了一次完整的 YOLO 目標(biāo)檢測推理后面所有操作都是在這個基礎(chǔ)上加參數(shù)。 場景化實戰(zhàn)三個常見需求怎么做街面人流計數(shù)監(jiān)控畫面里的實時統(tǒng)計場景描述你有一段街道或商場監(jiān)控想知道單位時間內(nèi)經(jīng)過了多少行人或者畫面里當(dāng)前有多少人。怎么做Ultralytics 內(nèi)置了對象計數(shù)解決方案源碼在 ultralytics/solutions/不需要你自己寫統(tǒng)計邏輯一條命令即可yolo solutions count showTrue能得到什么畫面上實時疊加計數(shù)框與總數(shù)你可以按區(qū)域劃分、按類別統(tǒng)計直接產(chǎn)出監(jiān)控報表需要的數(shù)據(jù)。健身動作識別從姿態(tài)估計到動作計數(shù)場景描述健身 App 或體育分析系統(tǒng)需要判斷用戶做了多少個俯臥撐或者動作姿勢是否標(biāo)準(zhǔn)。怎么做切換成姿態(tài)估計模型模型后綴加-pose它會輸出每個人體 17 個關(guān)節(jié)點鼻、眼、肩、肘、腕、髖、膝、踝等的坐標(biāo)yolo pose modelyolo26n-pose.pt sourcevideo.mp4能得到什么每一幀中所有人的關(guān)鍵點位圖。基于這些點位你可以做動作計數(shù)、姿勢判別項目里就有現(xiàn)成的動作識別示例可以參照examples/YOLOv8-Action-Recognition/。連續(xù)目標(biāo)跟蹤擁擠畫面里誰是誰場景描述檢測只告訴你這一幀有什么但視頻場景還需要上幀那個人這幀在哪比如追蹤某個人在走廊里的完整移動軌跡。怎么做把檢測模型切換到 track 模式即可不用重新訓(xùn)練yolo track modelyolo26n.pt sourcevideo.mp4 persistTrue能得到什么每個目標(biāo)一個持續(xù)穩(wěn)定的 ID跨幀不丟失、不串號。底層的跟蹤器實現(xiàn)在 ultralytics/trackers/包含 ByteTrack、BoT-SORT 等多種可選算法。 從原型到生產(chǎn)訓(xùn)練、驗證、部署的路徑跑通預(yù)訓(xùn)練模型只是起點。當(dāng)你有自己的數(shù)據(jù)需求時完整路徑是三步訓(xùn)練、驗證、導(dǎo)出。在自己數(shù)據(jù)上訓(xùn)練模型自定義數(shù)據(jù)集訓(xùn)練先準(zhǔn)備圖片和標(biāo)注文件再用 YAML 描述數(shù)據(jù)集結(jié)構(gòu)。ultralytics/cfg/datasets/ 下有幾十個現(xiàn)成模板照著改路徑和類別名就行最小驗證集coco8.yaml特別適合先跑通流程yolo train modelyolo26n.pt datacoco8.yaml epochs50訓(xùn)練過程中的學(xué)習(xí)率、批量大小、數(shù)據(jù)增強等超參數(shù)都集中在 ultralytics/cfg/default.yaml 里不想逐條傳參可以直接改這個文件。驗證模型表現(xiàn)訓(xùn)練完別急著上線先在測試集上量一下精度yolo val modelruns/detect/train/weights/last.pt datacoco8.yaml它會給出精度、召回率、mAP 等指標(biāo)幫你判斷這個模型值不值得部署。導(dǎo)出為部署格式驗證達(dá)標(biāo)后一條命令把模型導(dǎo)出成推理引擎能直接加載的格式y(tǒng)olo export modelbest.pt formatonnxformat參數(shù)可換成 tensorrt、openvino、coreml、tflite 等對應(yīng) NVIDIA GPU、Intel CPU、蘋果設(shè)備、移動端等不同部署環(huán)境。導(dǎo)出邏輯的源碼在 ultralytics/utils/export/各硬件平臺的推理示例在 examples/cpp/ 里都有對應(yīng)實現(xiàn)。如果你要容器化交付docker/ 目錄提供了 GPU、CPU、Jetson 等專用鏡像。?? 避坑指南新手最常踩的 3 個坑坑一GPU 環(huán)境沒配對模型默默跑在 CPU 上癥狀是訓(xùn)練慢或者報 CUDA 相關(guān)錯誤。解決方向用 conda 時把 pytorch、torchvision、pytorch-cuda 和 ultralytics 放在同一條命令里安裝讓包管理器自己解決版本沖突裝完先用python -c import torch; print(torch.cuda.is_available())確認(rèn)顯卡可見?？佣?shù)據(jù)集配置指向錯誤訓(xùn)練第一步就報錯最常見的是 YAML 里圖片根路徑寫錯或者標(biāo)注文件不在預(yù)期位置。解決方向拿 ultralytics/cfg/datasets/ 里現(xiàn)成的 YAML 做模板只改路徑和類別不要從零手寫先用 coco8 這類小數(shù)據(jù)集驗證配置正確再切換到大數(shù)據(jù)?？尤龑?dǎo)出參數(shù)和訓(xùn)練時不一致上線后精度掉換了輸入尺寸或批量大小導(dǎo)出模型的精度可能和驗證時不一樣。解決方向?qū)С鰰r保持與訓(xùn)練、驗證相同的imgsz如果必須改尺寸改完重新跑一次驗證再上線。 延伸與資源繼續(xù)深入去哪里官方文檔docs/任務(wù)說明在 docs/en/tasks/各模型介紹在 docs/en/models/常見超參數(shù)手冊在 docs/macros/示例代碼examples/涵蓋 ONNX Runtime、C、Rust 多語言推理和各類應(yīng)用 demo配置文件ultralytics/cfg/模型結(jié)構(gòu)定義和數(shù)據(jù)集定義都在這容器化部署docker/按目標(biāo)硬件選對應(yīng)鏡像常見問題docs/en/help/FAQ.md遇到問題先來這里查收尾你的下一步Ultralytics YOLO 上手并不難一條命令拿到檢測結(jié)果再一條命令訓(xùn)練出屬于你自己的模型最后一條命令導(dǎo)出可部署的產(chǎn)物。建議現(xiàn)在就做三件事——先跑通上面五分鐘那段流程再用coco8.yaml完整訓(xùn)練一版模型看一遍完整日志最后把模型導(dǎo)出成 ONNX。走通這三步你就從看過文檔變成了用過 YOLO后面的自定義數(shù)據(jù)集訓(xùn)練和生產(chǎn)部署都只是參數(shù)的事。【免費下載鏈接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking項目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考