ultralytics/ultralytics

Cài đặt ultralytics trọn gói, bao gồm tất cả yêu cầu, trong một Python>=3,8 môi trường với PyTorch>=1,8.

pip install ultralytics

Đối với các phương pháp cài đặt thay thế, bao gồm Conda, Dockervà xây dựng từ nguồn thông qua Git, vui lòng tham khảo Hướng dẫn bắt đầu nhanh.

CLI

Bạn có thể sử dụng Ultralytics YOLO trực tiếp từ Giao diện dòng lệnh (CLI) với yolo lệnh:

# Predict using a pretrained YOLO model (e.g., YOLO26n) on an image
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

các yolo lệnh hỗ trợ nhiều tác vụ và chế độ khác nhau, chấp nhận các đối số bổ sung như imgsz=640. Khám phá YOLO CLI Tài liệu để biết thêm ví dụ.

Python

Ultralytics YOLO cũng có thể được tích hợp trực tiếp vào các dự án Python của bạn. Nó chấp nhận tương tự đối số cấu hình dưới dạng CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 100 epochs
train_results = model.train(
    data="coco8.yaml",  # Path to dataset configuration file
    epochs=100,  # Number of training epochs
    imgsz=640,  # Image size for training
    device="cpu",  # Device to run on (e.g., 'cpu', 0, [0,1,2,3])
)

# Evaluate the model's performance on the validation set
metrics = model.val()

# Perform object detection on an image
results = model("path/to/image.jpg")  # Predict on an image
results[0].show()  # Display results

# Export the model to ONNX format for deployment
path = model.export(format="onnx")  # Returns the path to the exported model

Khám phá thêm các ví dụ trong YOLO Python Tài liệu.

Khám phá Tài liệu phát hiện để biết ví dụ sử dụng. Các mô hình này được đào tạo trên Tập dữ liệu COCO, bao gồm 80 lớp đối tượng.

• bản đồ^{giá trị} các giá trị đề cập đến hiệu suất quy mô đơn mô hình đơn trên COCO giá trị2017 tập dữ liệu. Xem Số liệu hiệu suất YOLO để biết chi tiết.
  Tái tạo với yolo val detect data=coco.yaml device=0
• Tốc độ số liệu được tính trung bình trên hình ảnh giá trị COCO bằng cách sử dụng Amazon EC2 P4d ví dụ. CPU tốc độ được đo bằng ONNX xuất khẩu. Tốc độ GPU được đo bằng TenorRT xuất khẩu.
  Tái tạo với yolo val detect data=coco.yaml batch=1 device=0|cpu

Tham khảo Tài liệu phân đoạn để biết ví dụ sử dụng. Những mô hình này được đào tạo về COCO-Seg, bao gồm 80 lớp.

• bản đồ^{giá trị} các giá trị dành cho quy mô đơn mô hình đơn trên COCO giá trị2017 tập dữ liệu. Xem Số liệu hiệu suất YOLO để biết chi tiết.
  Tái tạo với yolo val segment data=coco.yaml device=0
• Tốc độ số liệu được tính trung bình trên hình ảnh giá trị COCO bằng cách sử dụng Amazon EC2 P4d ví dụ. CPU tốc độ được đo bằng ONNX xuất khẩu. Tốc độ GPU được đo bằng TenorRT xuất khẩu.
  Tái tạo với yolo val segment data=coco.yaml batch=1 device=0|cpu

Xem Tài liệu phân đoạn ngữ nghĩa để biết ví dụ sử dụng. Những mô hình này được đào tạo về Cảnh quan thành phố, bao gồm 19 lớp.

• mIoU^{giá trị} các giá trị dành cho quy mô đơn mô hình đơn trên Cảnh quan thành phố bộ xác thực.
  Tái tạo với yolo semantic val data=cityscapes.yaml device=0 imgsz=2048
• Tốc độ số liệu được tính trung bình trên các hình ảnh xác thực Cityscapes bằng cách sử dụng phiên bản RTX3090.
  Tái tạo với yolo semantic val data=cityscapes.yaml batch=1 device=0|cpu imgsz=2048

Xem Tài liệu ước tính độ sâu để biết ví dụ sử dụng. Các mô hình này được huấn luyện trước trên cơ sở kết hợp nhiều tập dữ liệu và được đánh giá trên Độ sâu NYU V2 Phân chia thử nghiệm Eigen, dự đoán độ sâu trên mỗi pixel tính bằng mét.

• đồng bằng1^{Đại học New York} là tỷ lệ phần trăm pixel trong đó độ sâu được dự đoán nằm trong hệ số 1,25 so với thực tế cơ bản, trong phép phân tách thử nghiệm NYU Depth V2 Eigen (654 hình ảnh) với TTA đa tỷ lệ + lật ngang và căn chỉnh log-le-squares.
• Độ chính xác ở thang đo đơn không có TTA có thể được lặp lại bằng yolo depth val model=yolo26n-depth.pt data=nyu-depth.yaml imgsz=768 device=0 (thay thế model= cho mỗi kích thước), sử dụng căn chỉnh trung bình (chỉ tỷ lệ) và điểm thấp hơn: delta1 0,785 (n), 0,786 (s), 0,827 (m), 0,839 (l), 0,843 (x).
• cơ bụng là sai số tương đối tuyệt đối trung bình giữa giá trị dự đoán và độ sâu thực tế.
• rmse là sai số bình phương trung bình gốc tính bằng mét.
• Tốc độ là độ trễ chỉ suy luận (không bao gồm xử lý trước/sau) tại imgsz=768, batch=1, được báo cáo là trung bình ± std trong các lần chạy tính giờ sau khi khởi động. CPU ONNX là ONNX Runtime fp32 trên Intel Xeon 32 nhân (Skylake); T4 TenorRT10 là TensorRT fp16 trên Tesla T4.
• thông số và FLOP được đo ở 768×768, độ phân giải huấn luyện của trọng lượng được giải phóng.

Tham khảo ý kiến Tài liệu phân loại để biết ví dụ sử dụng. Những mô hình này được đào tạo về ImageNet, bao gồm 1000 lớp học.

• tài khoản các giá trị thể hiện độ chính xác của mô hình trên ImageNet bộ xác thực tập dữ liệu.
  Tái tạo với yolo val classify data=path/to/ImageNet device=0
• Tốc độ số liệu được tính trung bình trên các hình ảnh giá trị của ImageNet bằng cách sử dụng Amazon EC2 P4d ví dụ. CPU tốc độ được đo bằng ONNX xuất khẩu. Tốc độ GPU được đo bằng TenorRT xuất khẩu.
  Tái tạo với yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

Xem Tài liệu ước tính tư thế để biết ví dụ sử dụng. Những mô hình này được đào tạo về Tư thế COCO, tập trung vào lớp 'người'.

• bản đồ^{giá trị} các giá trị dành cho quy mô đơn mô hình đơn trên COCO Keypoints năm 2017 tập dữ liệu. Xem Số liệu hiệu suất YOLO để biết chi tiết.
  Tái tạo với yolo val pose data=coco-pose.yaml device=0
• Tốc độ số liệu được tính trung bình trên hình ảnh giá trị COCO bằng cách sử dụng Amazon EC2 P4d ví dụ. CPU tốc độ được đo bằng ONNX xuất khẩu. Tốc độ GPU được đo bằng TenorRT xuất khẩu.
  Tái tạo với yolo val pose data=coco-pose.yaml batch=1 device=0|cpu

Kiểm tra Tài liệu OBB để biết ví dụ sử dụng. Những mô hình này được đào tạo về DOTAv1, bao gồm 15 lớp.

• bản đồ^{kiểm tra} các giá trị dành cho hiệu suất đa mô hình đơn trên Bộ thử nghiệm DOTAv1.
  Sinh sản bởi yolo val obb data=DOTAv1.yaml device=0 split=test và gửi kết quả đã hợp nhất tới Máy chủ đánh giá DOTA.
• Tốc độ số liệu được tính trung bình trên Hình ảnh giá trị DOTAv1 sử dụng một Amazon EC2 P4d ví dụ. CPU tốc độ được đo bằng ONNX xuất khẩu. Tốc độ GPU được đo bằng TenorRT xuất khẩu.
  Sinh sản bởi yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu