Ultralytics YOLO 快速上手完整教程从第一个检测结果到生产部署【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralyticsUltralytics YOLO 是一个以 YOLO 目标检测为核心的 Python 计算机视觉框架同时覆盖实例分割、姿态估计、图像分类等任务。它把训练、验证、部署都封装成统一的命令行入口你只要会改几个参数就能跑通完整的视觉 AI 流程。 能力全景一个框架八类视觉任务在动手之前先看看它能帮你解决哪些问题。Ultralytics YOLO 不只是一个检测器而是一整套任务矩阵每个任务对应不同的模型命名后缀你可以按需取用任务做什么模型后缀示例典型应用目标检测给画面中的物体画框并给出类别yolo26n.pt安防监控、工业质检实例分割为每个物体生成像素级轮廓yolo26n-seg.pt医学影像、制造质检语义分割给画面中每个像素打上类别yolo26n-semantic.pt场景解析、自动驾驶单目深度估计从一张 RGB 图预测深度图yolo26n-depth.pt机器人、三维重建姿态估计定位人体关键点yolo26n-pose.pt健身计数、体育分析OBB 旋转框检测带角度的定向边框yolo26n-obb.pt卫星影像、物流分拣图像分类判断整张图属于哪一类yolo26n-cls.pt图库管理、物料识别目标跟踪视频中给目标分配持续 ID检测模型 track 模式人流统计、行为分析各任务的详细说明在官方文档 docs/en/tasks/ 目录下每种任务都有独立的介绍页包含对应的模型精度数据。⏱️ YOLO 快速上手五分钟拿到第一个检测结果建立信心最快的方式是让自己亲手跑出第一张标注图。你只需要两条命令。第一步安装框架本体pip install -U ultralytics这条命令会连带装好 PyTorch、OpenCV 等依赖装完即插即用。第二步用内置的预训练模型对一张本地图片做推理yolo predict modelyolo26n.pt sourceultralytics/assets/zidane.jpg执行后你会在runs/predict/目录下看到标注好的输出图。其中yolo26n.pt是首次使用时自动下载的预训练权重source可以换成任意本地图片、视频文件甚至摄像头编号。如果你想要最新的开发版本而不是稳定版可以克隆仓库后以可编辑模式安装git clone https://gitcode.com/GitHub_Trending/ul/ultralytics cd ultralytics pip install -e .到这一步你已经完成了一次完整的 YOLO 目标检测推理后面所有操作都是在这个基础上加参数。 场景化实战三个常见需求怎么做街面人流计数监控画面里的实时统计场景描述你有一段街道或商场监控想知道单位时间内经过了多少行人或者画面里当前有多少人。怎么做Ultralytics 内置了对象计数解决方案源码在 ultralytics/solutions/不需要你自己写统计逻辑一条命令即可yolo solutions count showTrue能得到什么画面上实时叠加计数框与总数你可以按区域划分、按类别统计直接产出监控报表需要的数据。健身动作识别从姿态估计到动作计数场景描述健身 App 或体育分析系统需要判断用户做了多少个俯卧撑或者动作姿势是否标准。怎么做切换成姿态估计模型模型后缀加-pose它会输出每个人体 17 个关节点鼻、眼、肩、肘、腕、髋、膝、踝等的坐标yolo pose modelyolo26n-pose.pt sourcevideo.mp4能得到什么每一帧中所有人的关键点位图。基于这些点位你可以做动作计数、姿势判别项目里就有现成的动作识别示例可以参照examples/YOLOv8-Action-Recognition/。连续目标跟踪拥挤画面里谁是谁场景描述检测只告诉你这一帧有什么但视频场景还需要上帧那个人这帧在哪比如追踪某个人在走廊里的完整移动轨迹。怎么做把检测模型切换到 track 模式即可不用重新训练yolo track modelyolo26n.pt sourcevideo.mp4 persistTrue能得到什么每个目标一个持续稳定的 ID跨帧不丢失、不串号。底层的跟踪器实现在 ultralytics/trackers/包含 ByteTrack、BoT-SORT 等多种可选算法。 从原型到生产训练、验证、部署的路径跑通预训练模型只是起点。当你有自己的数据需求时完整路径是三步训练、验证、导出。在自己数据上训练模型自定义数据集训练先准备图片和标注文件再用 YAML 描述数据集结构。ultralytics/cfg/datasets/ 下有几十个现成模板照着改路径和类别名就行最小验证集coco8.yaml特别适合先跑通流程yolo train modelyolo26n.pt datacoco8.yaml epochs50训练过程中的学习率、批量大小、数据增强等超参数都集中在 ultralytics/cfg/default.yaml 里不想逐条传参可以直接改这个文件。验证模型表现训练完别急着上线先在测试集上量一下精度yolo val modelruns/detect/train/weights/last.pt datacoco8.yaml它会给出精度、召回率、mAP 等指标帮你判断这个模型值不值得部署。导出为部署格式验证达标后一条命令把模型导出成推理引擎能直接加载的格式yolo export modelbest.pt formatonnxformat参数可换成 tensorrt、openvino、coreml、tflite 等对应 NVIDIA GPU、Intel CPU、苹果设备、移动端等不同部署环境。导出逻辑的源码在 ultralytics/utils/export/各硬件平台的推理示例在 examples/cpp/ 里都有对应实现。如果你要容器化交付docker/ 目录提供了 GPU、CPU、Jetson 等专用镜像。⚠️ 避坑指南新手最常踩的 3 个坑坑一GPU 环境没配对模型默默跑在 CPU 上症状是训练慢或者报 CUDA 相关错误。解决方向用 conda 时把 pytorch、torchvision、pytorch-cuda 和 ultralytics 放在同一条命令里安装让包管理器自己解决版本冲突装完先用python -c import torch; print(torch.cuda.is_available())确认显卡可见。坑二数据集配置指向错误训练第一步就报错最常见的是 YAML 里图片根路径写错或者标注文件不在预期位置。解决方向拿 ultralytics/cfg/datasets/ 里现成的 YAML 做模板只改路径和类别不要从零手写先用 coco8 这类小数据集验证配置正确再切换到大数据。坑三导出参数和训练时不一致上线后精度掉换了输入尺寸或批量大小导出模型的精度可能和验证时不一样。解决方向导出时保持与训练、验证相同的imgsz如果必须改尺寸改完重新跑一次验证再上线。 延伸与资源继续深入去哪里官方文档docs/任务说明在 docs/en/tasks/各模型介绍在 docs/en/models/常见超参数手册在 docs/macros/示例代码examples/涵盖 ONNX Runtime、C、Rust 多语言推理和各类应用 demo配置文件ultralytics/cfg/模型结构定义和数据集定义都在这容器化部署docker/按目标硬件选对应镜像常见问题docs/en/help/FAQ.md遇到问题先来这里查收尾你的下一步Ultralytics YOLO 上手并不难一条命令拿到检测结果再一条命令训练出属于你自己的模型最后一条命令导出可部署的产物。建议现在就做三件事——先跑通上面五分钟那段流程再用coco8.yaml完整训练一版模型看一遍完整日志最后把模型导出成 ONNX。走通这三步你就从看过文档变成了用过 YOLO后面的自定义数据集训练和生产部署都只是参数的事。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Ultralytics YOLO 快速上手完整教程：从第一个检测结果到生产部署
Ultralytics YOLO 快速上手完整教程从第一个检测结果到生产部署【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralyticsUltralytics YOLO 是一个以 YOLO 目标检测为核心的 Python 计算机视觉框架同时覆盖实例分割、姿态估计、图像分类等任务。它把训练、验证、部署都封装成统一的命令行入口你只要会改几个参数就能跑通完整的视觉 AI 流程。 能力全景一个框架八类视觉任务在动手之前先看看它能帮你解决哪些问题。Ultralytics YOLO 不只是一个检测器而是一整套任务矩阵每个任务对应不同的模型命名后缀你可以按需取用任务做什么模型后缀示例典型应用目标检测给画面中的物体画框并给出类别yolo26n.pt安防监控、工业质检实例分割为每个物体生成像素级轮廓yolo26n-seg.pt医学影像、制造质检语义分割给画面中每个像素打上类别yolo26n-semantic.pt场景解析、自动驾驶单目深度估计从一张 RGB 图预测深度图yolo26n-depth.pt机器人、三维重建姿态估计定位人体关键点yolo26n-pose.pt健身计数、体育分析OBB 旋转框检测带角度的定向边框yolo26n-obb.pt卫星影像、物流分拣图像分类判断整张图属于哪一类yolo26n-cls.pt图库管理、物料识别目标跟踪视频中给目标分配持续 ID检测模型 track 模式人流统计、行为分析各任务的详细说明在官方文档 docs/en/tasks/ 目录下每种任务都有独立的介绍页包含对应的模型精度数据。⏱️ YOLO 快速上手五分钟拿到第一个检测结果建立信心最快的方式是让自己亲手跑出第一张标注图。你只需要两条命令。第一步安装框架本体pip install -U ultralytics这条命令会连带装好 PyTorch、OpenCV 等依赖装完即插即用。第二步用内置的预训练模型对一张本地图片做推理yolo predict modelyolo26n.pt sourceultralytics/assets/zidane.jpg执行后你会在runs/predict/目录下看到标注好的输出图。其中yolo26n.pt是首次使用时自动下载的预训练权重source可以换成任意本地图片、视频文件甚至摄像头编号。如果你想要最新的开发版本而不是稳定版可以克隆仓库后以可编辑模式安装git clone https://gitcode.com/GitHub_Trending/ul/ultralytics cd ultralytics pip install -e .到这一步你已经完成了一次完整的 YOLO 目标检测推理后面所有操作都是在这个基础上加参数。 场景化实战三个常见需求怎么做街面人流计数监控画面里的实时统计场景描述你有一段街道或商场监控想知道单位时间内经过了多少行人或者画面里当前有多少人。怎么做Ultralytics 内置了对象计数解决方案源码在 ultralytics/solutions/不需要你自己写统计逻辑一条命令即可yolo solutions count showTrue能得到什么画面上实时叠加计数框与总数你可以按区域划分、按类别统计直接产出监控报表需要的数据。健身动作识别从姿态估计到动作计数场景描述健身 App 或体育分析系统需要判断用户做了多少个俯卧撑或者动作姿势是否标准。怎么做切换成姿态估计模型模型后缀加-pose它会输出每个人体 17 个关节点鼻、眼、肩、肘、腕、髋、膝、踝等的坐标yolo pose modelyolo26n-pose.pt sourcevideo.mp4能得到什么每一帧中所有人的关键点位图。基于这些点位你可以做动作计数、姿势判别项目里就有现成的动作识别示例可以参照examples/YOLOv8-Action-Recognition/。连续目标跟踪拥挤画面里谁是谁场景描述检测只告诉你这一帧有什么但视频场景还需要上帧那个人这帧在哪比如追踪某个人在走廊里的完整移动轨迹。怎么做把检测模型切换到 track 模式即可不用重新训练yolo track modelyolo26n.pt sourcevideo.mp4 persistTrue能得到什么每个目标一个持续稳定的 ID跨帧不丢失、不串号。底层的跟踪器实现在 ultralytics/trackers/包含 ByteTrack、BoT-SORT 等多种可选算法。 从原型到生产训练、验证、部署的路径跑通预训练模型只是起点。当你有自己的数据需求时完整路径是三步训练、验证、导出。在自己数据上训练模型自定义数据集训练先准备图片和标注文件再用 YAML 描述数据集结构。ultralytics/cfg/datasets/ 下有几十个现成模板照着改路径和类别名就行最小验证集coco8.yaml特别适合先跑通流程yolo train modelyolo26n.pt datacoco8.yaml epochs50训练过程中的学习率、批量大小、数据增强等超参数都集中在 ultralytics/cfg/default.yaml 里不想逐条传参可以直接改这个文件。验证模型表现训练完别急着上线先在测试集上量一下精度yolo val modelruns/detect/train/weights/last.pt datacoco8.yaml它会给出精度、召回率、mAP 等指标帮你判断这个模型值不值得部署。导出为部署格式验证达标后一条命令把模型导出成推理引擎能直接加载的格式yolo export modelbest.pt formatonnxformat参数可换成 tensorrt、openvino、coreml、tflite 等对应 NVIDIA GPU、Intel CPU、苹果设备、移动端等不同部署环境。导出逻辑的源码在 ultralytics/utils/export/各硬件平台的推理示例在 examples/cpp/ 里都有对应实现。如果你要容器化交付docker/ 目录提供了 GPU、CPU、Jetson 等专用镜像。⚠️ 避坑指南新手最常踩的 3 个坑坑一GPU 环境没配对模型默默跑在 CPU 上症状是训练慢或者报 CUDA 相关错误。解决方向用 conda 时把 pytorch、torchvision、pytorch-cuda 和 ultralytics 放在同一条命令里安装让包管理器自己解决版本冲突装完先用python -c import torch; print(torch.cuda.is_available())确认显卡可见。坑二数据集配置指向错误训练第一步就报错最常见的是 YAML 里图片根路径写错或者标注文件不在预期位置。解决方向拿 ultralytics/cfg/datasets/ 里现成的 YAML 做模板只改路径和类别不要从零手写先用 coco8 这类小数据集验证配置正确再切换到大数据。坑三导出参数和训练时不一致上线后精度掉换了输入尺寸或批量大小导出模型的精度可能和验证时不一样。解决方向导出时保持与训练、验证相同的imgsz如果必须改尺寸改完重新跑一次验证再上线。 延伸与资源继续深入去哪里官方文档docs/任务说明在 docs/en/tasks/各模型介绍在 docs/en/models/常见超参数手册在 docs/macros/示例代码examples/涵盖 ONNX Runtime、C、Rust 多语言推理和各类应用 demo配置文件ultralytics/cfg/模型结构定义和数据集定义都在这容器化部署docker/按目标硬件选对应镜像常见问题docs/en/help/FAQ.md遇到问题先来这里查收尾你的下一步Ultralytics YOLO 上手并不难一条命令拿到检测结果再一条命令训练出属于你自己的模型最后一条命令导出可部署的产物。建议现在就做三件事——先跑通上面五分钟那段流程再用coco8.yaml完整训练一版模型看一遍完整日志最后把模型导出成 ONNX。走通这三步你就从看过文档变成了用过 YOLO后面的自定义数据集训练和生产部署都只是参数的事。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考