yolov8_test/docs/ru/models/index.md

comments	description	keywords
true	Исследуйте разнообразный спектр поддерживаемых Ultralytics моделей семейства YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS и RT-DETR. Начните работу с примерами использования как для CLI, так и для Python.	Ultralytics, документация, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR, модели, архитектуры, Python, CLI

Поддерживаемые модели Ultralytics

Добро пожаловать в документацию по моделям Ultralytics! Мы поддерживаем широкий спектр моделей, каждая из которых адаптирована для конкретных задач, таких как обнаружение объектов, сегментация на уровне инстанций, классификация изображений, оценка позы и слежение за несколькими объектами. Если вы заинтересованы в добавлении архитектуры своей модели в Ultralytics, ознакомьтесь с нашим Руководством для участников.

!!! Note "Примечание"

🚧 Наша документация на разных языках находится в стадии разработки, и мы усердно работаем над ее улучшением. Спасибо за ваше терпение! 🙏

Особенные модели

Вот некоторые ключевые поддерживаемые модели:

1. YOLOv3: Третье поколение семейства моделей YOLO, авторства Джозефа Редмона, известное своей эффективностью в реальном времени для обнаружения объектов.
2. YOLOv4: Нативное для darknet обновление YOLOv3, выпущенное Алексеем Бочковским в 2020 году.
3. YOLOv5: Улучшенная версия архитектуры YOLO от Ultralytics, предлагающая лучшие компромиссы производительности и скорости по сравнению с предыдущими версиями.
4. YOLOv6: Выпущенная в 2022 году компанией Meituan и используемая во многих роботах автономной доставки компании.
5. YOLOv7: Обновленные модели YOLO, выпущенные в 2022 году авторами YOLOv4.
6. YOLOv8 НОВИНКА 🚀: Последняя версия семейства YOLO, обладающая расширенными возможностями, такими как сегментация на уровне инстанций, оценка позы/ключевых точек и классификация.
7. Segment Anything Model (SAM): Модель сегментации всего и вся (SAM) от Meta.
8. Mobile Segment Anything Model (MobileSAM): MobileSAM для мобильных приложений от университета Kyung Hee.
9. Fast Segment Anything Model (FastSAM): FastSAM от Группы анализа изображений и видео, Института автоматики, Китайской академии наук.
10. YOLO-NAS: Модели нейронной архитектуры поиска YOLO (NAS).
11. Realtime Detection Transformers (RT-DETR): Модели трансформеров реального времени для обнаружения объектов (RT-DETR) от Baidu PaddlePaddle.

Смотрите: Запуск моделей YOLO от Ultralytics всего в несколько строк кода.

Начало работы: Примеры использования

Этот пример предоставляет простые примеры обучения и вывода для YOLO. Полная документация по этим и другим режимам представлена на страницах документации Predict, Train, Val и Export.

Обратите внимание, что ниже приведен пример для моделей Detect YOLOv8 для обнаружения объектов. Для дополнительных поддерживаемых задач смотрите документацию по Segment, Classify и Pose.

!!! Example "Пример"

=== "Python"

    Предобученные модели PyTorch `*.pt`, а также конфигурационные файлы `*.yaml` могут быть переданы в классы `YOLO()`, `SAM()`, `NAS()` и `RTDETR()`, чтобы создать экземпляр модели на Python:

    ```python
    from ultralytics import YOLO

    # Загрузить предварительно обученную модель YOLOv8n для COCO
    model = YOLO('yolov8n.pt')

    # Отобразить информацию о модели (необязательно)
    model.info()

    # Обучить модель на примерном наборе данных COCO8 в течение 100 эпох
    results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

    # Запустить вывод с помощью модели YOLOv8n на изображении 'bus.jpg'
    results = model('path/to/bus.jpg')
    ```

=== "CLI"

    Команды CLI доступны для непосредственного запуска моделей:

    ```bash
    # Загрузить предварительно обученную модель YOLOv8n для COCO и обучить её на примерном наборе данных COCO8 в течение 100 эпох
    yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

    # Загрузить предварительно обученную модель YOLOv8n для COCO и запустить вывод на изображении 'bus.jpg'
    yolo predict model=yolov8n.pt source=path/to/bus.jpg
    ```

Вклад в новые модели

Заинтересованы в том, чтобы внести свою модель в Ultralytics? Отлично! Мы всегда открыты для расширения нашего портфолио моделей.

1. Сделайте Fork Репозитория: Начните с создания форка репозитория Ultralytics на GitHub.

2. Склонируйте свой Fork: Склонируйте ваш форк на локальную машину и создайте новую ветку для работы.

3. Реализуйте свою Модель: Добавьте вашу модель, следуя стандартам программирования и руководящим принципам, указанным в нашем Руководстве для участников.

4. Тщательно протестируйте: Убедитесь, что вы тщательно протестировали свою модель, как изолированно, так и как часть пайплайна.

5. Создайте Pull Request: Как только вы будете удовлетворены своей моделью, создайте pull request в основной репозиторий для рассмотрения.

6. Код-ревью и Слияние: После рассмотрения, если ваша модель соответствует нашим критериям, она будет объединена с основным репозиторием.

Для подробных инструкций см. наше Руководство для участников.