仅用几行代码运行 Ultralytics 目标检测与分割模型

欢迎来到另一篇博客文章，本文将深入探讨 Ultralytics 的 YOLOv5 和 YOLOv8 模型在目标检测和分割方面的能力。我们将探索如何仅用几行代码，就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，都能了解 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 带我们了解了如何在 Ultralytics 框架中设置和使用各种模型。让我们逐步拆解这一过程，看看你如何开始使用这些强大的工具。

开始使用 Ultralytics 模型#

Ultralytics 提供了一个全面的框架，支持多种目标检测和分割模型。其中包括广受欢迎的 YOLO 模型，涵盖从 YOLOv3 到最新的 YOLOv8，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。

首先，访问 Ultralytics 文档页面。在这里，你可以找到每个模型的详细信息，包括其主要功能、架构以及如何在 Python 脚本中使用它们。

设置你的环境#

首先，确保你已安装 Ultralytics。你可以运行以下命令：

pip install ultralytics

完成后，你就可以在项目中开始使用这些模型了。我们先以 Ultralytics YOLOv8 模型为例。

Ultralytics YOLOv8 的主要特性#

Ultralytics YOLOv8 在前代模型的基础上进行了多项改进。它的设计速度更快、精度更高，非常适合实时应用。主要功能包括：

• 提升速度和准确性
• 适用于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，带来更出色的性能

在 Python 中运行 Ultralytics YOLOv8#

以下是仅用几行代码开始使用 Ultralytics 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")

就是这么简单！你刚刚已经在一张图像上运行了 YOLOv8 模型。这种简便性正是 Ultralytics 模型如此强大且易于使用的原因。

实时摄像头检测#

想看看 Ultralytics YOLOv8 如何处理实时摄像头画面吗？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)

此脚本会打开你的摄像头，并应用 Ultralytics YOLOv8 模型实时检测目标。

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

探索其他模型#

Ultralytics 的能力不止于 YOLOv8。它还支持其他模型，例如 YOLOv5、YOLO-NAS 和用于实时检测的基于 Transformer 的模型。每个模型都有自己的优势和适用场景。

Transformer 模型及其运行方法#

由百度开发并受 Ultralytics 支持的 RT-DETR 模型，是一种先进的端到端目标检测器，能够提供实时性能和高精度。它采用基于卷积的主干网络和高效的混合编码器，速度适合实时应用；在结合 TensorRT 的 CUDA 上表现出色，并支持灵活调整推理速度。

以下是运行 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")

Segment Anything 模型#

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所有内容，从而提供场景的详细信息。

运行 FastSAM#

FastSAM 针对实时分割进行了优化，以下是运行它的方法：

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准确分割的应用。

性能与比较#

Ultralytics 框架的一大优势是能够并排比较不同模型。通过查看推理速度和平均精度均值 (mAP) 等性能指标，你可以轻松确定哪个模型最适合你的特定应用。

主要要点#

Ultralytics 让你仅用几行代码就能轻松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 Nicolai Nielsen 在 Ultralytics YouTube 频道上的完整教程，以获取更深入的信息和示例。

敬请期待 Ultralytics 社区带来的更多教程和更新！