Ultralytics YOLO

如何使用 Ultralytics YOLO Docs 的 Reference 部分

了解如何使用 Ultralytics YOLO Docs 的 Reference 部分，理解 Ultralytics Python 软件包的底层机制。

ABAbirami Vina4 min readApril 9, 2025

如今，人工智能（AI）比以往任何时候都更易于使用，任何人都可以深入了解并快速开始使用不同的 AI 模型来完成各种前沿任务。

例如，计算机视觉是人工智能的一个分支，能够让计算机解读并理解图像和视频中的视觉信息，而像 Ultralytics YOLO11 这样的计算机视觉模型也很容易上手。

Ultralytics YOLO11 支持目标检测、实例分割和图像分类等任务，可用于自动驾驶、安全监控和零售分析等应用。

Ultralytics YOLO11 检测各种目标

图 1。Ultralytics YOLO11 可用于检测各种目标。

具体来说，Ultralytics Python 软件包提供了易于使用的工具，可帮助你快速训练、自定义和部署这些 AI 模型，让各种技能水平的用户都能轻松构建高级计算机视觉应用。

不过，如果你想深入了解一切是如何运作的，或创建自己的自定义功能，Ultralytics 文档的参考部分是很好的资源。它涵盖了 Ultralytics Python 软件包的内部工作原理，包括数据的处理方式、模型训练流程，以及如何可视化预测结果。

本文将深入介绍 Ultralytics 文档的参考部分，以及在处理计算机视觉项目时如何使用它。让我们开始吧！

深入了解如何使用 Ultralytics YOLO 模型#

使用 Ultralytics Python 软件包简单直接。你只需几行代码，就可以训练 YOLO 模型或在图像中检测目标。

不过，当你熟悉计算机视觉模型的使用后，Ultralytics 文档的参考部分可以帮助你深入了解代码的工作原理以及软件包支持哪些函数。其中还包括易于理解的说明、可配置选项，以及指向 Ultralytics GitHub 仓库中相关代码的链接。

它解释了 Ultralytics Python 软件包的结构，并涵盖模型设置、数据加载、训练流程，以及预测结果的生成和返回方式等关键组件。

所有内容都按清晰的类别进行组织，因此很容易找到你需要的信息。例如，如果你正在使用自己的数据集训练模型，可以前往参考部分中专注于数据的部分，了解数据将如何用于模型训练。

如果你进入 Ultralytics YOLO 文档的参考部分，会在页面左侧看到一个包含不同参考类别的菜单。每个类别代表 Ultralytics 代码库中的特定部分，例如模型、数据处理或训练函数。

点击某个类别后，你会进入一个提供更多详细信息的页面。

页面左侧的不同参考类别菜单

图 2。左侧是包含不同参考类别的菜单。

同样，在页面右侧你会看到目录，它将每个参考页面拆分为函数（可重复使用的代码块）、类（用于创建对象的蓝图）和方法（在类内部定义的函数）等关键组件。这样，你可以轻松跳转到需要查看的内容。

右侧的参考页面目录

图 3。右侧是当前所查看特定参考页面的目录。

Ultralytics GitHub 仓库根据 Ultralytics 软件包的不同部分组织为子目录或子软件包，例如模型、训练和数据。文档中的参考部分采用相同的结构，因此更容易理解各部分如何组合在一起。

以下是你在 Ultralytics GitHub 仓库和 Ultralytics 文档参考部分中都会看到的一些主要子目录或类别：

Models：此部分专注于不同的模型及其模式，例如进行预测、验证性能和导出训练好的模型。
Engine：包含用于训练、验证、预测、导出和评估模型的核心逻辑。
Data：负责管理数据集的加载、处理和增强。其中包括创建数据加载器的函数（按批次向模型提供数据的工具）、应用变换的函数（对图像进行调整大小或翻转等处理，以帮助模型更好地学习），以及准备训练数据的函数（组织和格式化图像与标签）。
Utils：此部分提供了整个代码库中使用的各种辅助函数，例如可视化工具、文件处理和指标计算。
HUB：连接到 Ultralytics HUB，这是一个无需编写代码的计算机视觉平台，可通过 API 使用登录、上传模型和管理数据集等云端功能。
Trackers：实现目标跟踪逻辑，用于处理视频或逐帧图像序列的应用。

GitHub 仓库中的每个子目录在文档中都有对应的部分。这种结构经过有意镜像设计，让你可以更轻松地在阅读文档和探索源代码之间切换。

事实上，许多参考页面还会显示实际源代码，因此无需离开文档，你就能准确了解函数和类是如何实现的。

参考页面中包含的源代码

图 4。参考页面中也包含源代码。

现在我们已经了解了参考部分的组织方式，接下来深入看看 Ultralytics 软件包的三个关键部分：模型、引擎和数据。

models 子目录包含定义每种模型工作方式的代码。它按模型类型（如 YOLO、FastSAM 或 RT-DETR）以及检测、分割或分类等任务进行组织。在每个部分中，你都会找到用于处理特定操作的文件或模块，例如模型如何进行预测、如何训练，或如何评估其性能。

与此同时，engine 子目录在幕后负责管理整个流程。models 子目录专注于每个模型应该执行的任务，而 engine 子目录则专注于如何以一致且高效的方式实际运行这些任务。

此外，data 子目录负责加载和准备数据集。这部分代码库确保你的训练数据干净、结构化且多样，有助于模型更好地学习并更有效地泛化。

这种清晰的分离方式让代码更易于维护，也让你能够灵活地进行自定义。

你可能会想，为什么了解 Ultralytics 代码库的不同部分很重要？如果你知道代码的哪一部分负责什么功能，就能更轻松地找到所需信息、进行修改或排查问题。

以下是一些使用文档参考部分的示例：

如果你想知道“模型如何进行预测？”，可以前往参考部分中的 Models 类别，选择一种模型类型（如 YOLO），选择一个任务（例如 detect），然后打开 Predict 页面查看详细信息。
如果你想了解数据增强的应用方式，可以查看 Data 类别下的 Augment 页面。该页面列出了用于提升模型性能和训练数据多样性的内置增强技术。