ultralytics/README.zh-CN.md

中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية

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。

📄 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。

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。

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。

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

• mAP^val 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

• mAP^val 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

• mAP^val 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

• mAP^test 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 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！

🤝 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！

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！