Ultralytics YOLO 快速上手完整教程從第一個檢測結果到生產部署【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 目標檢測為核心的 Python 計算機視覺框架同時覆蓋實例分割、姿態估計、圖像分類等任務。它把訓練、驗證、部署都封裝成統一的命令行入口你只要會改幾個參數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矩陣每個任務對應不同的模型命名后綴你可以按需取用任務做什么模型后綴示例典型應用目標檢測給畫面中的物體畫框并給出類別yolo26n.pt安防監控、工業質檢實例分割為每個物體生成像素級輪廓yolo26n-seg.pt醫學影像、制造質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 圖預測深度圖yolo26n-depth.pt機器人、三維重建姿態估計定位人體關鍵點yolo26n-pose.pt健身計數、體育分析OBB 旋轉框檢測帶角度的定向邊框yolo26n-obb.pt衛星影像、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、物料識別目標跟蹤視頻中給目標分配持續 ID檢測模型 track 模式人流統計、行為分析各任務的詳細說明在官方文檔 docs/en/tasks/ 目錄下每種任務都有獨立的介紹頁包含對應的模型精度數據。?? YOLO 快速上手五分鐘拿到第一個檢測結果建立信心最快的方式是讓自己親手跑出第一張標注圖。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。第二步用內置的預訓練模型對一張本地圖片做推理yolo predict modelyolo26n.pt sourceultralytics/assets/zidane.jpg執行后你會在runs/predict/目錄下看到標注好的輸出圖。其中yolo26n.pt是首次使用時自動下載的預訓練權重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版本而不是穩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 .到這一步你已經完成了一次完整的 YOLO 目標檢測推理后面所有操作都是在這個基礎上加參數。 場景化實戰三個常見需求怎么做街面人流計數監控畫面里的實時統計場景描述你有一段街道或商場監控想知道單位時間內經過了多少行人或者畫面里當前有多少人。怎么做Ultralytics 內置了對象計數解決方案源碼在 ultralytics/solutions/不需要你自己寫統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框與總數你可以按區域劃分、按類別統計直接產出監控報表需要的數據。健身動作識別從姿態估計到動作計數場景描述健身 App 或體育分析系統需要判斷用戶做了多少個俯臥撐或者動作姿勢是否標準。怎么做切換成姿態估計模型模型后綴加-pose它會輸出每個人體 17 個關節點鼻、眼、肩、肘、腕、髖、膝、踝等的坐標yolo pose modelyolo26n-pose.pt sourcevideo.mp4能得到什么每一幀中所有人的關鍵點位圖。基于這些點位你可以做動作計數、姿勢判別項目里就有現成的動作識別示例可以參照examples/YOLOv8-Action-Recognition/。連續目標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練yolo track modelyolo26n.pt sourcevideo.mp4 persistTrue能得到什么每個目標一個持續穩定的 ID跨幀不丟失、不串號。底層的跟蹤器實現在 ultralytics/trackers/包含 ByteTrack、BoT-SORT 等多種可選算法。 從原型到生產訓練、驗證、部署的路徑跑通預訓練模型只是起點。當你有自己的數據需求時完整路徑是三步訓練、驗證、導出。在自己數據上訓練模型自定義數據集訓練先準備圖片和標注文件再用 YAML 描述數據集結構。ultralytics/cfg/datasets/ 下有幾十個現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訓練過程中的學習率、批量大小、數據增強等超參數都集中在 ultralytics/cfg/default.yaml 里不想逐條傳參可以直接改這個文件。驗證模型表現訓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 等指標幫你判斷這個模型值不值得部署。導出為部署格式驗證達標后一條命令把模型導出成推理引擎能直接加載的格式yolo export modelbest.pt formatonnxformat參數可換成 tensorrt、openvino、coreml、tflite 等對應 NVIDIA GPU、Intel CPU、蘋果設備、移動端等不同部署環境。導出邏輯的源碼在 ultralytics/utils/export/各硬件平臺的推理示例在 examples/cpp/ 里都有對應實現。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 環境沒配對模型默默跑在 CPU 上癥狀是訓練慢或者報 CUDA 相關錯誤。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())確認顯卡可見。坑二數據集配置指向錯誤訓練第一步就報錯最常見的是 YAML 里圖片根路徑寫錯或者標注文件不在預期位置。解決方向拿 ultralytics/cfg/datasets/ 里現成的 YAML 做模板只改路徑和類別不要從零手寫先用 coco8 這類小數據集驗證配置正確再切換到大數據。坑三導出參數和訓練時不一致上線后精度掉換了輸入尺寸或批量大小導出模型的精度可能和驗證時不一樣。解決方向導出時保持與訓練、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。 延伸與資源繼續深入去哪里官方文檔docs/任務說明在 docs/en/tasks/各模型介紹在 docs/en/models/常見超參數手冊在 docs/macros/示例代碼examples/涵蓋 ONNX Runtime、C、Rust 多語言推理和各類應用 demo配置文件ultralytics/cfg/模型結構定義和數據集定義都在這容器化部署docker/按目標硬件選對應鏡像常見問題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果再一條命令訓練出屬于你自己的模型最后一條命令導出可部署的產物。建議現在就做三件事——先跑通上面五分鐘那段流程再用coco8.yaml完整訓練一版模型看一遍完整日志最后把模型導出成 ONNX。走通這三步你就從看過文檔變成了用過 YOLO后面的自定義數據集訓練和生產部署都只是參數的事。【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創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考