超催化剂/超催化剂：超催化剂YOLO🚀

Ultralytics创建了基于计算机视觉和人工智能多年基础研究的尖端、最先进（SOTA）的YOLO模型。我们的模型不断更新性能和灵活性，快速、准确且易于使用。它们擅长于对象检测、跟踪、实例分割、语义分割、图像分类和姿态估计任务。

在Ultralytics中找到详细的文档。通过GitHub Issues获得支持。加入Discord、Reddit和Ultralytics社区论坛上的讨论！在Ultralytics Licensing申请商业用途的企业许可证。

请参阅下面的快速启动安装和使用示例。有关培训、验证、预测和部署的全面指导，请参阅我们完整的Ultralytics收件箱。安装安装超催化剂包，包括所有要求，在Python中>=3。8 PyTorch环境>=1。

8. pip安装ultralytics有关替代安装方法，包括Conda、Docker和通过Git从源代码构建，请参阅快速入门指南。使用您可以直接从命令行界面（CLI）与yolo一起使用Ultralytics YOLO命令：#使用预训练的YOLO模型进行预测（例如。

G.，YOLO 26 n）在图像上yolo预测模型= yolo 26 n。pt source =' https：//ultralytics。com/images/bus。

jpg '约洛命令支持各种任务和模式，接受imgsz=640等额外参数.探索YOLO CLI收件箱以获取更多示例。

超催化剂YOLO还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：来自ultralytics进口YOLO#加载预训练的YOLO 26 n模型型号= YOLO（“yolo 26 n. pt '）#在COCO 8数据集上训练模型100个时期train_results =模型。

火车（data=“coco8. yaml”，#数据集配置文件的路径epochs=100，#训练epochs的数量imgsz=640，#训练图像大小设备=“pu”，#要运行的设备（例如。G.，' cpu '，0，[0，1，2，3]）)#评估模型在验证集中的性能指标=模型。

val（）#对图像执行对象检测results = model（“path/to/image. jpg”）#预测图像results[0]. show（）#显示结果#将模型输出为ONNX格式进行部署路径=模型。

select（form =“onnx”）#返回输出模型的路径在YOLO Python收件箱中发现更多示例。Ultralytics支持多种YOLO型号，从YOLOv 3等早期版本到最新的YOLO 26。

下表展示了在COCO上预训练用于检测、分割和姿态估计的YOLO 26模型。语义分割模型在Cityscapes上预训练，分类模型在ImageNet上预训练。跟踪模式与检测、分割和姿势模型兼容。所有型号在首次使用时自动从最新的Ultralytics版本下载。

检测（COCO）探索检测收件箱以获取使用示例。

这些模型是在COCO数据集上训练的，该数据集包含80个对象类。- mAPval值指的是COCO val 2017数据集上的单模型单尺度性能。有关详细信息，请参阅YOLO性能收件箱。用yolo val Detect data=coco复制。

yaml设备=0- 使用Amazon EC 2 P4 d实例对COCO val图像进行平均速度指标。通过ONNX输出测量的中央处理器速度。使用TensorRT输出测量的图形处理器速度。用yolo val Detect data=coco复制。

yaml批次=1设备=0| CPU细分（COCO）有关使用示例，请参阅分段收件箱。这些模型在COCO-Seg上进行训练，包括80个课程。- mAPval值适用于COCO val 2017数据集中的单模型单尺度。

有关详细信息，请参阅YOLO性能收件箱。用yolo val分段数据复制=coco。yaml设备=0- 使用Amazon EC 2 P4 d实例对COCO val图像进行平均速度指标。通过ONNX输出测量的中央处理器速度。

使用TensorRT输出测量的图形处理器速度。用yolo val分段数据复制=coco。yaml批次=1设备=0| CPU语义细分（城市景观）有关使用示例，请参阅语义分割收件箱。这些模型接受了Cityscapes培训，包括19个课程。

- mIoUval值适用于Cityscapes验证集中的单模型单规模。用yolo semantic val data=城市景观复制。yaml设备=0 imgsz=2048- 使用RTX 3090实例对Cityscapes验证图像进行平均计算。

用yolo semantic val data=城市景观复制。

yaml批次=1设备=0|中央处理器imgsz=2048分类（ImageNet）有关使用示例，请参阅分类收件箱。这些模型在ImageNet上训练，涵盖1000个课程。- acc值代表ImageNet数据集验证集中的模型准确性。

使用yolo val classification data=路径/to/ImageNet设备=0进行复制- 使用Amazon EC 2 P4 d实例对ImageNet val图像进行平均速度指标。

通过ONNX输出测量的中央处理器速度。使用TensorRT输出测量的图形处理器速度。使用yolo val classification data=路径/to/ImageNet批次=1设备=0| CPU姿势（COCO）有关使用示例，请参阅姿势估计收件箱。

这些模型经过COCO-Pose训练，重点关注“人”类。- mAPval值适用于COCO Keypoints val 2017数据集中的单模型单尺度。有关详细信息，请参阅YOLO性能收件箱。用yolo val pose数据复制=coco-pose。

yaml设备=0- 使用Amazon EC 2 P4 d实例对COCO val图像进行平均速度指标。通过ONNX输出测量的中央处理器速度。使用TensorRT输出测量的图形处理器速度。用yolo val pose数据复制=coco-pose。

yaml批次=1设备=0| CPU定向边界盒（DOTAv 1）查看OBB收件箱以获取使用示例。这些模型在DOTAv 1上进行训练，包括15个课程。- mAP测试值用于DOTAv 1测试集中的单模型多尺度性能。

复制byyolo val obb数据= DOTAv 1。yaml设备=0拆分=测试并将合并结果提交到DOTA评估服务器。

- 使用Amazon EC 2 P4 d实例对DOTAv 1 val图像进行平均速度指标。通过ONNX输出测量的中央处理器速度。使用TensorRT输出测量的图形处理器速度。复制byyolo val obb数据= DOTAv 1。

yaml批次=1设备=0| CPU我们与领先的人工智能平台的关键集成扩展了Ultralytics产品的功能，增强了数据集标签、培训、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等合作伙伴合作，优化您的人工智能工作流程。请访问Ultralytics Integrations了解更多信息。

我们在社区合作中蓬勃发展！如果没有像您这样的开发人员的贡献，Ultralytics YOLO就不会成为SOTA框架。请参阅我们的贡献指南以开始。我们还欢迎您反馈-通过完成我们的调查来分享您的经验。

向所有做出贡献的人致以衷心的感谢！我们期待您的贡献，帮助使Ultralytics生态系统变得更好！Ultralytics提供两种许可选项来满足不同的需求：- AAPL-3。0许可证：这个经过RTI批准的开源许可证非常适合学生、研究人员和爱好者。

它鼓励开放合作和知识共享。有关完整详细信息，请参阅LICENSE文件。

- 超催化剂企业许可证：对于开发和生产使用，该许可证可以将Ultralytics软件和人工智能模型无缝集成到业务产品和服务中，包括内部工具、自动化工作流程和生产部署，绕过AAPL-3的开源要求。

0.要开始，请通过Ultralytics Licensing联系我们。有关与Ultralytics软件相关的错误报告和功能请求，请访问GitHub Issues。如需提问、讨论和社区支持，请加入Discord、Reddit和Ultralytics社区论坛上的活跃社区。

我们来这里是为了帮助所有超催化剂！