Ultralytics YOLO

用几行代码运行 Ultralytics 对象检测和分割模型

关于如何用几行代码运行 Ultralytics 对象检测和分割模型的分步指南。

NUNuvola Ladi3 min readJune 27, 2024

欢迎来到另一篇博客文章，我们将探讨 Ultralytics' YOLOv5 和 YOLOv8 模型在 object detection 和 segmentation 方面的功能。我们将探讨如何只需几行代码即可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人员，你都会发现 Ultralytics 如何支持各种模型和架构，包括不同的 YOLO 版本和基于 Transformer 的模型。

在他的视频中，Nicolai Nielsen 引导我们完成了在 Ultralytics 框架中设置和使用各种模型的过程。让我们一步步将其拆解，看看你如何开始使用这些强大的工具。

Ultralytics 模型入门#

Ultralytics 提供了一个全面的框架，支持多种目标检测和分割模型。这包括从 YOLOv3 到最新的 YOLOv8 的热门 YOLO 模型，以及 YOLO-NAS 和 SAM 模型。这些模型旨在处理各种任务，例如实时检测、分割和姿态估计。

要开始使用，请访问 Ultralytics documentation page。在这里，你可以找到关于每个模型的详细信息，包括它们的核心功能、架构以及如何在你的 Python 脚本中使用它们。

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

完成此操作后，你就可以开始在项目中使用这些模型了。我们以 Ultralytics YOLOv8 模型为例开始。

Ultralytics YOLOv8 的核心特性#

相较于前代产品，Ultralytics YOLOv8 带来了多项改进。它旨在实现更高的速度和精度，非常适合实时应用。一些主要特性包括：

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

在 Python 中运行 Ultralytics YOLOv8#

以下是如何仅用几行代码开始使用 Ultralytics YOLOv8：

from ultralytics import YOLO

# Load a pretrained Ultralytics 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。

实时网络摄像头检测#

想看看 Ultralytics YOLOv8 在实时网络摄像头画面上的实际效果吗？方法如下：

from ultralytics import YOLO

# Load a pretrained Ultralytics 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 Ultralytics YOLOv8 模型来实时检测物体。

Nicolai Nielsen outlining how to run Ultralytics object detection and segmentation models

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

探索其他模型#

Ultralytics 不止步于 YOLOv8。它们还支持用于实时检测的各种其他模型，如 YOLOv5、YOLO-NAS 和基于 Transformer 的模型。每个模型都有其独特的优势和用例。

Transformer 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")

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。

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。