用几行代码运行 Ultralytics 对象检测和分割模型

欢迎阅读又一篇博文，我们将深入探讨 Ultralytics' YOLOv5 和 YOLOv8 模型在 目标检测 和 分割 方面的功能。我们将探索如何通过几行代码将这些易于使用的模型集成到你的项目中。无论你是初学者还是经验丰富的开发者，你都会看到 Ultralytics 如何支持 多种模型 和架构，包括不同的 YOLO 版本和基于 Transformer 的模型。

在他的 视频 中，Nicolai Nielsen 向我们展示了在 Ultralytics 框架内设置和使用各种模型的过程。让我们一步步拆解，看看你如何上手这些强大的工具。

Link to this sectionUltralytics 模型入门#

Ultralytics 提供了一个支持多种目标检测和分割模型的综合框架。这包括从 YOLOv3 到最新的 YOLOv8 的流行 YOLO 模型，以及 YOLO-NAS 和 SAM 模型。这些模型旨在处理各种任务，如实时 检测、分割 和 姿态估计。

首先，请访问 Ultralytics 文档页面。在这里，你可以找到关于每个模型的详细信息，包括它们的主要功能、架构以及如何在你的 Python 脚本中使用它们。

Link to this section设置你的环境#

首先，确保你已经安装了 Ultralytics。你可以通过运行以下命令来完成：

pip install ultralytics

完成后，你就可以开始在项目中使用这些模型了。让我们以 YOLOv8 模型为例。

Link to this sectionYOLOv8 的关键特性#

YOLOv8 相比前代产品有多项改进。它被设计得更快、更精确，非常适合实时应用。主要功能包括：

• 提升速度与准确性
• 针对多种任务的预训练权重
• 支持目标检测、分割和分类
• 改进的模型架构以获得更好的性能

Link to this section在 Python 中运行 YOLOv8#

以下是如何用几行代码开始使用 YOLOv8 的方法：

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

就这样！你刚刚在图像上运行了一个 YOLOv8 模型。这种简洁性正是 Ultralytics 模型如此强大且用户友好的原因。

Link to this section实时网络摄像头检测#

想看看 YOLOv8 在实时网络摄像头视频流中的表现吗？操作方法如下：

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on the webcam feed (source=0) and display the results
results = model.predict(source=0, show=True)

此脚本将打开你的网络摄像头并应用 YOLOv8 模型进行实时目标检测。

图 1. Nicolai Nielsen 概述如何运行 Ultralytics 目标检测和分割模型。

Link to this section探索其他模型#

Ultralytics 不止步于 YOLOv8。它们还支持各种 其他模型，如 YOLOv5、YOLO-NAS 以及基于 Transformer 的实时检测模型。每个模型都有其独特的优势和应用场景。

Link to this sectionTransformer 模型及其运行方法#

由百度开发并由 Ultralytics 支持的 RT-DETR 模型是一款最先进的端到端目标检测器，提供实时性能和高精度。它使用基于卷积的主干网络和高效的混合编码器来实现实时速度，在 CUDA 上配合 TensorRT 使用表现出色，并支持灵活的推理速度调节。

以下是如何运行 RT-DETR 模型的方法：

from ultralytics import RTDETR

# Load a COCO-pretrained RT-DETR-l model
model = RTDETR("rtdetr-l.pt")

# Run inference on an image
results = model("path/to/image.jpg")

Link to this section分割一切模型 (Segment Anything Models)#

Ultralytics 还提供用于分割任务的模型，例如 MobileSAM 和 FastSAM。这些模型旨在分割图像中的一切内容，从而提供对场景的详细洞察。

Link to this section运行 FastSAM#

FastSAM 针对实时分割进行了优化，运行方法如下：

from ultralytics import FastSAM

# Create a FastSAM model
model = FastSAM("FastSAM-s.pt")  # or FastSAM-x.pt

# Run inference on an image
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

此模型非常适合需要快速且精确分割的应用。

Link to this section性能与对比#

Ultralytics 框架的一大亮点是能够对不同的模型进行并排对比。通过查看推理速度和平均精度均值 (mAP) 等性能指标，你可以轻松确定哪种模型最适合你的特定应用。

Link to this section核心要点#

Ultralytics 让你只需几行代码就能极其轻松地运行目标检测和分割模型。无论你是在开发实时应用还是需要高精度模型，Ultralytics 都能为你提供解决方案。请务必查看 Ultralytics YouTube 频道上 Nicolai Nielsen 的完整教程，获取更多深入的信息和示例。

敬请关注更多来自 Ultralytics 社区 的教程和更新！