Ultralytics YOLO 模式：训练、验证、预测、导出

让我们深入 Ultralytics 的世界，探索不同 YOLO 模型可用的不同模式。无论您是训练自定义目标检测模型还是进行分割，了解这些模式都是至关重要的一步。让我们直接开始吧！

通过 Ultralytics 文档，您会找到几种可用于模型的模式，无论是用于训练、验证、预测、导出、基准测试还是跟踪。每种模式都有其独特的用途，可帮助您优化模型的性能和部署。

训练模式

首先，让我们来看看训练模式。您可以在此构建和优化您的模型。您可以在文档中找到详细的说明和视频指南，从而轻松开始训练您的自定义模型。

模型训练包括为模型提供新的数据集，使其能够学习各种模式。经过训练后，该模型可以实时用于检测它已经训练过的新对象。在开始训练过程之前，必须以 YOLO 格式标注您的数据集。

接下来，让我们深入了解验证模式。验证对于调整超参数和确保模型良好运行至关重要。Ultralytics 提供了各种验证选项，包括自动设置、多指标支持以及与 Python API 的兼容性。您甚至可以使用以下命令直接通过命令行界面 (CLI) 运行验证。

验证对于以下情况至关重要：

Ultralytics 还提供用户示例，您可以将其复制并粘贴到您的 Python 脚本中。这些示例包括图像大小、批次大小、设备（CPU 或 GPU）以及交并比 (IoU) 等参数。

一旦您的模型经过训练和验证，就可以进行预测了。“预测”模式允许您对新数据运行推理，并查看您的模型在实际应用中的效果。此模式非常适合测试您的模型在真实数据上的性能。

使用下面的 python 代码片段，您将能够在您的图像上运行预测！

在验证和预测之后，您可能需要部署您的模型。导出模式使您可以将模型转换为各种格式，例如 ONNX 或 TensorRT，从而更易于在不同平台上部署。

最后，我们有基准测试模式。基准测试对于评估模型在各种场景中的性能至关重要。此模式可帮助您就资源分配、优化和成本效益做出明智的决策。

要运行基准测试，您可以使用文档中提供的用户示例。这些示例涵盖了关键指标和导出格式，包括 ONNX 和 TensorRT。您还可以指定整数量化 (INT8) 或浮点量化 (FP16) 等参数，以了解不同的设置如何影响性能。

我们来看一个实际的基准测试例子。当我们对 PyTorch 模型进行基准测试时，我们注意到在 RTX 3070 GPU 上的推理速度为 68 毫秒。导出到 TorchScript 后，推理速度降至 4 毫秒，这表明有了显著的改进。

对于ONNX模型，我们实现了21毫秒的推理速度。在CPU（Intel i9第13代）上测试这些模型，我们看到了不同的结果。TorchScript的运行速度为115毫秒，而ONNX的性能更好，为84毫秒。最后，针对Intel硬件优化的OpenVINO达到了惊人的23毫秒。

基准测试展示了不同的硬件和导出格式如何影响模型的性能。对模型进行基准测试至关重要，尤其是在计划将它们部署在自定义硬件或边缘设备上时。此过程可确保您的模型针对目标环境进行优化，从而提供最佳性能。

总而言之，Ultralytics 文档中的模式是训练、验证、预测、导出和基准测试 YOLO 模型的强大工具。每种模式在优化模型并为部署做好准备方面都起着至关重要的作用。

不要忘记探索并加入我们的社区，并在你的项目中尝试我们提供的代码片段。有了这些工具，你可以创建高性能的模型，并确保它们在任何环境中都能高效运行。