yolov8_test/docs/zh/models/index.md

comments	description	keywords
true	探索 Ultralytics 支持的 YOLO 系列、SAM、MobileSAM、FastSAM、YOLO-NAS 和 RT-DETR 模型多样化的范围。提供 CLI 和 Python 使用的示例以供入门。	Ultralytics, 文档, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR, 模型, 架构, Python, CLI

Ultralytics 支持的模型

欢迎来到 Ultralytics 的模型文档！我们支持多种模型，每种模型都针对特定任务进行了优化，如对象检测、实例分割、图像分类、姿态估计和多对象追踪。如果您有兴趣将您的模型架构贡献给 Ultralytics，请查看我们的贡献指南。

!!! note

Ultralytics 团队正忙于将文档翻译成多种语言。本页面上的链接目前可能会导向英文文档页面，因为我们正在努力扩展多语言文档支持。感谢您的耐心等待 🙏！

特色模型

以下是一些关键支持的模型：

1. YOLOv3：YOLO 模型系列的第三个版本，最初由 Joseph Redmon 提出，以其高效的实时对象检测能力而闻名。
2. YOLOv4：YOLOv3 的 darknet 本地更新，由 Alexey Bochkovskiy 在 2020 年发布。
3. YOLOv5：Ultralytics 改进的 YOLO 架构版本，与之前的版本相比提供了更好的性能和速度折中选择。
4. YOLOv6：由 美团 在 2022 年发布，并在公司众多自主配送机器人中使用。
5. YOLOv7：YOLOv4 作者在 2022 年发布的更新版 YOLO 模型。
6. YOLOv8：YOLO 系列的最新版本，具备增强的功能，如实例分割、姿态/关键点估计和分类。
7. Segment Anything Model (SAM)：Meta's Segment Anything Model (SAM)。
8. Mobile Segment Anything Model (MobileSAM)：由庆熙大学为移动应用程序打造的 MobileSAM。
9. Fast Segment Anything Model (FastSAM)：中国科学院自动化研究所图像与视频分析组的 FastSAM。
10. YOLO-NAS：YOLO 神经架构搜索 (NAS) 模型。
11. Realtime Detection Transformers (RT-DETR)：百度 PaddlePaddle 实时检测变换器 (RT-DETR) 模型。

观看：仅使用几行代码运行 Ultralytics YOLO 模型。

入门：使用示例

!!! example ""

=== "Python"

    PyTorch 预训练的 `*.pt` 模型以及配置 `*.yaml` 文件都可以传递给 `YOLO()`、`SAM()`、`NAS()` 和 `RTDETR()` 类来在 Python 中创建模型实例：

    ```python
    from ultralytics import YOLO

    # 加载 COCO 预训练的 YOLOv8n 模型
    model = YOLO('yolov8n.pt')

    # 显示模型信息（可选）
    model.info()

    # 在 COCO8 示例数据集上训练模型 100 个周期
    results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

    # 使用 YOLOv8n 模型对 'bus.jpg' 图像进行推理
    results = model('path/to/bus.jpg')
    ```

=== "CLI"

    CLI 命令可直接运行模型：

    ```bash
    # 加载 COCO 预训练的 YOLOv8n 模型，并在 COCO8 示例数据集上训练它 100 个周期
    yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

    # 加载 COCO 预训练的 YOLOv8n 模型，并对 'bus.jpg' 图像进行推理
    yolo predict model=yolov8n.pt source=path/to/bus.jpg
    ```

贡献新模型

有兴趣将您的模型贡献给 Ultralytics 吗？太好了！我们始终欢迎扩展我们的模型组合。

1. Fork 仓库：首先 Fork Ultralytics GitHub 仓库。

2. 克隆您的 Fork：将您的 Fork 克隆到本地机器上，并创建一个新分支进行工作。

3. 实现您的模型：按照我们在贡献指南中提供的编码标准和指南添加您的模型。

4. 彻底测试：确保彻底测试您的模型，无论是独立还是作为整个管道的一部分。

5. 创建 Pull Request：一旦您对您的模型感到满意，请创建一个到主仓库的 Pull Request 以便审查。

6. 代码审查与合并：经审查，如果您的模型符合我们的标准，它将被合并到主仓库中。

有关详细步骤，请参阅我们的贡献指南。