ZH
EN
KO
JA
RU
DE
FR
ES
PT
IT
TR
VI
ARCookie 设置
点击 "接受所有 Cookie"，即表示您同意在您的设备上存储 Cookie，以增强网站导航、分析网站使用情况并协助我们的营销工作。更多信息
欢迎阅读另一篇博文，我们将深入探讨Ultralytics 的 YOLOv5和YOLOv8模型在对象检测 和分割方面的功能。我们将探讨如何仅用几行代码就将这些易于使用的模型集成到您的项目中。无论您是初学者还是经验丰富的开发人员，您都将看到 Ultralytics 如何支持各种模型和架构，包括不同的 YOLO 版本和基于转换器的模型。
尼古拉-尼尔森（Nicolai Nielsen）在视频中向我们介绍了在 Ultralytics 框架内设置和使用各种模型的过程。让我们一步步分解，看看如何开始使用这些令人难以置信的工具。
Ultralytics 提供了一个支持多种对象检测和分割模型的综合框架。其中包括流行的 YOLO 模型（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，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 Python 脚本中使用它们。
首先，确保已安装 Ultralytics。运行
敲击
复制代码
完成这些工作后，您就可以开始在项目中使用这些模型了。我们先以 YOLOv8 模型为例。
与前代产品相比，YOLOv8 有多项改进。它设计得更快、更准确，非常适合实时应用。一些主要功能包括
只需几行代码，您就可以开始使用 YOLOv8：
复制代码
就是这样！您刚刚在一张图片上运行了 YOLOv8 模型。这种简便性正是 Ultralytics 模型如此强大和用户友好的原因所在。
想通过网络视频直播观看 YOLOv8 的精彩表演？您可以这样做：
蟒蛇
复制代码
该脚本将打开网络摄像头，并应用 YOLOv8 模型实时检测物体。
Ultralytics 不仅仅支持 YOLOv8。他们还支持 YOLOv5、YOLO-NAS 和基于转换器的实时检测模型等其他各种模型。每种模型都有自己的优势和用例。
由百度开发、Ultralytics 支持的 RT-DETR 模型是一种先进的端到端对象检测器，具有实时性能和高准确性。它使用基于 conv 的骨干和高效混合编码器来提高实时速度，在 CUDA 和 TensorRT 上表现出色，并支持灵活的推理速度调整。
下面介绍如何运行 RT-DETR 模型：
复制代码
Ultralytics 还提供用于分割任务的模型，如 MobileSAM 和 FastSAM。这些模型旨在分割出图像中的所有内容，提供对场景的详细了解。
FastSAM 针对实时细分进行了优化，下面介绍如何运行它：
复制代码
这种模式非常适合需要快速准确分割的应用。
Ultralytics 框架的一大特色是可以并排比较不同的模型。通过查看推理速度和平均精度（mAP）等性能指标，您可以轻松确定哪种模型最适合您的特定应用。
只需几行代码，Ultralytics 就能轻松运行对象检测和分割模型。无论您是在开发实时应用，还是需要高精度模型，Ultralytics 都能为您提供解决方案。请务必查看 Ultralytics YouTube 频道上 Nicolai Nielsen 的完整教程，了解更多深入信息和示例。
请继续关注 Ultralytics社区的更多教程和更新！
