mirrors
/
ultralytics
mirror of https://github.com/ultralytics/ultralytics.git
1
0
Fork 0
Code Issues Packages Projects Releases Wiki Activity
ultralytics/README.zh-CN.md

32 KiB
Raw Permalink Blame History


Ultralytics 基于多年在计算机视觉和人工智能领域的基础研究，创造了尖端的、最先进的（SOTA）YOLO 模型。我们的模型不断更新以提高性能和灵活性，具有速度快、精度高和易于使用的特点。它们在目标检测、跟踪、实例分割、图像分类和姿态估计任务中表现出色。

在 Ultralytics 文档中查找详细文档。通过 GitHub Issues 获取支持。加入 Discord、Reddit 和 Ultralytics 社区论坛参与讨论！

如需商业用途，请在 Ultralytics 授权许可申请企业许可证。

YOLO11 performance plots
Ultralytics GitHub space Ultralytics LinkedIn space Ultralytics Twitter space Ultralytics YouTube space Ultralytics TikTok space Ultralytics BiliBili space Ultralytics Discord

📄 文档

请参阅下文了解快速安装和使用示例。有关训练、验证、预测和部署的全面指南，请参阅我们的完整 Ultralytics 文档。

安装

在 Python>=3.8 环境中安装 ultralytics 包，包括所有依赖项，并确保 PyTorch>=1.8。

PyPI - Version Ultralytics Downloads PyPI - Python Version

pip install ultralytics

有关其他安装方法，包括 Conda、Docker 以及通过 Git 从源代码构建，请查阅快速入门指南。

Conda Version Docker Image Version Ultralytics Docker Pulls

使用方法

CLI

您可以直接通过命令行界面（CLI）使用 yolo 命令来运行 Ultralytics YOLO：

# 使用预训练的 YOLO 模型（例如 YOLO11n）对图像进行预测
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

yolo 命令支持各种任务和模式，并接受额外的参数，如 imgsz=640。浏览 YOLO CLI 文档获取更多示例。

Python

Ultralytics YOLO 也可以直接集成到您的 Python 项目中。它接受与 CLI 相同的配置参数：

from ultralytics import YOLO

# 加载一个预训练的 YOLO11n 模型
model = YOLO("yolo11n.pt")

# 在 COCO8 数据集上训练模型 100 个周期
train_results = model.train(
    data="coco8.yaml",  # 数据集配置文件路径
    epochs=100,  # 训练周期数
    imgsz=640,  # 训练图像尺寸
    device="cpu",  # 运行设备（例如 'cpu', 0, [0,1,2,3]）
)

# 评估模型在验证集上的性能
metrics = model.val()

# 对图像执行目标检测
results = model("path/to/image.jpg")  # 对图像进行预测
results[0].show()  # 显示结果

# 将模型导出为 ONNX 格式以进行部署
path = model.export(format="onnx")  # 返回导出模型的路径

在 YOLO Python 文档中发现更多示例。

✨ 模型

Ultralytics 支持广泛的 YOLO 模型，从早期的版本如 YOLOv3 到最新的 YOLO11。下表展示了在 COCO 数据集上预训练的 YOLO11 模型，用于检测、分割和姿态估计任务。此外，还提供了在 ImageNet 数据集上预训练的分类模型。跟踪模式与所有检测、分割和姿态模型兼容。所有模型在首次使用时都会自动从最新的 Ultralytics 发布版本下载。

Ultralytics YOLO supported tasks

检测 (COCO)

浏览检测文档获取使用示例。这些模型在 COCO 数据集上训练，包含 80 个对象类别。

模型 尺寸
(像素)		 mAPval
50-95		 速度
CPU ONNX
(毫秒)		 速度
T4 TensorRT10
(毫秒)		 参数
(百万)		 FLOPs
(十亿)
YOLO11n 640 39.5 56.1 ± 0.8 1.5 ± 0.0 2.6 6.5
YOLO11s 640 47.0 90.0 ± 1.2 2.5 ± 0.0 9.4 21.5
YOLO11m 640 51.5 183.2 ± 2.0 4.7 ± 0.1 20.1 68.0
YOLO11l 640 53.4 238.6 ± 1.4 6.2 ± 0.1 25.3 86.9
YOLO11x 640 54.7 462.8 ± 6.7 11.3 ± 0.2 56.9 194.9
  • mAPval 值指的是在 COCO val2017 数据集上的单模型单尺度性能。详见 YOLO 性能指标。
    使用 yolo val detect data=coco.yaml device=0 复现结果。
  • 速度 指标是在 Amazon EC2 P4d 实例上对 COCO val 图像进行平均测量的。CPU 速度使用 ONNX 导出进行测量。GPU 速度使用 TensorRT 导出进行测量。
    使用 yolo val detect data=coco.yaml batch=1 device=0|cpu 复现结果。
分割 (COCO)

请参阅分割文档获取使用示例。这些模型在 COCO-Seg 数据集上训练，包含 80 个类别。

模型 尺寸
(像素)		 mAPbox
50-95		 mAPmask
50-95		 速度
CPU ONNX
(毫秒)		 速度
T4 TensorRT10
(毫秒)		 参数
(百万)		 FLOPs
(十亿)
YOLO11n-seg 640 38.9 32.0 65.9 ± 1.1 1.8 ± 0.0 2.9 10.4
YOLO11s-seg 640 46.6 37.8 117.6 ± 4.9 2.9 ± 0.0 10.1 35.5
YOLO11m-seg 640 51.5 41.5 281.6 ± 1.2 6.3 ± 0.1 22.4 123.3
YOLO11l-seg 640 53.4 42.9 344.2 ± 3.2 7.8 ± 0.2 27.6 142.2
YOLO11x-seg 640 54.7 43.8 664.5 ± 3.2 15.8 ± 0.7 62.1 319.0
  • mAPval 值指的是在 COCO val2017 数据集上的单模型单尺度性能。详见 YOLO 性能指标。
    使用 yolo val segment data=coco.yaml device=0 复现结果。
  • 速度 指标是在 Amazon EC2 P4d 实例上对 COCO val 图像进行平均测量的。CPU 速度使用 ONNX 导出进行测量。GPU 速度使用 TensorRT 导出进行测量。
    使用 yolo val segment data=coco.yaml batch=1 device=0|cpu 复现结果。
分类 (ImageNet)

请查阅分类文档获取使用示例。这些模型在 ImageNet 数据集上训练，涵盖 1000 个类别。

模型 尺寸
(像素)		 acc
top1		 acc
top5		 速度
CPU ONNX
(毫秒)		 速度
T4 TensorRT10
(毫秒)		 参数
(百万)		 FLOPs
(十亿) @ 224
YOLO11n-cls 224 70.0 89.4 5.0 ± 0.3 1.1 ± 0.0 1.6 0.5
YOLO11s-cls 224 75.4 92.7 7.9 ± 0.2 1.3 ± 0.0 5.5 1.6
YOLO11m-cls 224 77.3 93.9 17.2 ± 0.4 2.0 ± 0.0 10.4 5.0
YOLO11l-cls 224 78.3 94.3 23.2 ± 0.3 2.8 ± 0.0 12.9 6.2
YOLO11x-cls 224 79.5 94.9 41.4 ± 0.9 3.8 ± 0.0 28.4 13.7
  • acc 值表示模型在 ImageNet 数据集验证集上的准确率。
    使用 yolo val classify data=path/to/ImageNet device=0 复现结果。
  • 速度 指标是在 Amazon EC2 P4d 实例上对 ImageNet val 图像进行平均测量的。CPU 速度使用 ONNX 导出进行测量。GPU 速度使用 TensorRT 导出进行测量。
    使用 yolo val classify data=path/to/ImageNet batch=1 device=0|cpu 复现结果。
姿态估计 (COCO)

请参阅姿态估计文档获取使用示例。这些模型在 COCO-Pose 数据集上训练，专注于 'person' 类别。

模型 尺寸
(像素)		 mAPpose
50-95		 mAPpose
50		 速度
CPU ONNX
(毫秒)		 速度
T4 TensorRT10
(毫秒)		 参数
(百万)		 FLOPs
(十亿)
YOLO11n-pose 640 50.0 81.0 52.4 ± 0.5 1.7 ± 0.0 2.9 7.6
YOLO11s-pose 640 58.9 86.3 90.5 ± 0.6 2.6 ± 0.0 9.9 23.2
YOLO11m-pose 640 64.9 89.4 187.3 ± 0.8 4.9 ± 0.1 20.9 71.7
YOLO11l-pose 640 66.1 89.9 247.7 ± 1.1 6.4 ± 0.1 26.2 90.7
YOLO11x-pose 640 69.5 91.1 488.0 ± 13.9 12.1 ± 0.2 58.8 203.3
  • mAPval 值指的是在 COCO Keypoints val2017 数据集上的单模型单尺度性能。详见 YOLO 性能指标。
    使用 yolo val pose data=coco-pose.yaml device=0 复现结果。
  • 速度 指标是在 Amazon EC2 P4d 实例上对 COCO val 图像进行平均测量的。CPU 速度使用 ONNX 导出进行测量。GPU 速度使用 TensorRT 导出进行测量。
    使用 yolo val pose data=coco-pose.yaml batch=1 device=0|cpu 复现结果。
定向边界框 (DOTAv1)

请查阅 OBB 文档获取使用示例。这些模型在 DOTAv1 数据集上训练，包含 15 个类别。

模型 尺寸
(像素)		 mAPtest
50		 速度
CPU ONNX
(毫秒)		 速度
T4 TensorRT10
(毫秒)		 参数
(百万)		 FLOPs
(十亿)
YOLO11n-obb 1024 78.4 117.6 ± 0.8 4.4 ± 0.0 2.7 17.2
YOLO11s-obb 1024 79.5 219.4 ± 4.0 5.1 ± 0.0 9.7 57.5
YOLO11m-obb 1024 80.9 562.8 ± 2.9 10.1 ± 0.4 20.9 183.5
YOLO11l-obb 1024 81.0 712.5 ± 5.0 13.5 ± 0.6 26.2 232.0
YOLO11x-obb 1024 81.3 1408.6 ± 7.7 28.6 ± 1.0 58.8 520.2
  • mAPtest 值指的是在 DOTAv1 测试集上的单模型多尺度性能。
    通过 yolo val obb data=DOTAv1.yaml device=0 split=test 复现结果，并将合并后的结果提交到 DOTA 评估服务器。
  • 速度 指标是在 Amazon EC2 P4d 实例上对 DOTAv1 val 图像进行平均测量的。CPU 速度使用 ONNX 导出进行测量。GPU 速度使用 TensorRT 导出进行测量。
    通过 yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu 复现结果。

🧩 集成

我们与领先 AI 平台的关键集成扩展了 Ultralytics 产品的功能，增强了数据集标注、训练、可视化和模型管理等任务。了解 Ultralytics 如何与 Weights & Biases、Comet ML、Roboflow 和 Intel OpenVINO 等合作伙伴协作，优化您的 AI 工作流程。在 Ultralytics 集成了解更多信息。

Ultralytics active learning integrations

Ultralytics HUB 🌟 Weights & Biases Comet Neural Magic
简化 YOLO 工作流程：使用 Ultralytics HUB 轻松进行标注、训练和部署。立即试用！ 使用 Weights & Biases 跟踪实验、超参数和结果。 永久免费的 Comet ML 让您能够保存 YOLO 模型、恢复训练并交互式地可视化预测结果。 使用 Neural Magic DeepSparse，将 YOLO 推理速度提高多达 6 倍。

🌟 Ultralytics HUB

通过 Ultralytics HUB 体验无缝 AI，这是一个集数据可视化、训练 YOLO 模型和部署于一体的平台——无需编码。使用我们尖端的平台和用户友好的 Ultralytics App，轻松将图像转化为可操作的见解，并将您的 AI 愿景变为现实。立即免费开始您的旅程！

Ultralytics HUB preview image

🤝 贡献

我们依靠社区协作蓬勃发展！没有像您这样的开发者的贡献，Ultralytics YOLO 就不会成为如今最先进的框架。请参阅我们的贡献指南开始贡献。我们也欢迎您的反馈——通过完成我们的调查问卷分享您的体验。非常感谢 🙏 每一位贡献者！

Ultralytics open-source contributors

我们期待您的贡献，帮助 Ultralytics 生态系统变得更好！

📜 许可证

Ultralytics 提供两种许可选项以满足不同需求：

  • AGPL-3.0 许可证：这种经 OSI 批准的开源许可证非常适合学生、研究人员和爱好者。它鼓励开放协作和知识共享。有关完整详细信息，请参阅 LICENSE 文件。
  • Ultralytics 企业许可证：专为商业用途设计，此许可证允许将 Ultralytics 软件和 AI 模型无缝集成到商业产品和服务中，绕过 AGPL-3.0 的开源要求。如果您的使用场景涉及商业部署，请通过 Ultralytics 授权许可与我们联系。

📞 联系方式

有关 Ultralytics 软件的错误报告和功能请求，请访问 GitHub Issues。如有疑问、讨论和社区支持，请加入我们在 Discord、Reddit 和 Ultralytics 社区论坛上的活跃社区。我们随时为您提供有关 Ultralytics 的所有帮助！


Ultralytics GitHub space Ultralytics LinkedIn space Ultralytics Twitter space Ultralytics YouTube space Ultralytics TikTok space Ultralytics BiliBili space Ultralytics Discord