HongChuang/ultralytics-ascend
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions 3

Update https://docs.ultralytics.com/models (#6513)

Browse source 
Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com>
Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>
This commit is contained in:
Glenn Jocher 2023-11-22 20:45:46 +01:00 • committed by GitHub
parent 0c4e97443b
commit 16a13a1ce0
No known key found for this signature in database
GPG key ID: 4AEE18F83AFDEB23
178 changed files with 14224 additions and 561 deletions
Download patch file Download diff file Expand all files Collapse all files

60
docs/zh/models/index.md
View file

@ -1,51 +1,55 @@
---
comments: true
description: 探索 Ultralytics 支持的 YOLO 系列、SAM、MobileSAM、FastSAM、YOLO-NAS 和 RT-DETR 模型多样化的范围。提供 CLI 和 Python 使用的示例以供入门。
description: 探索 Ultralytics 支持的多样化 YOLO 系列、SAM、MobileSAM、FastSAM、YOLO-NAS 和 RT-DETR 模型。开启您的 CLI 和 Python 使用示例之旅。
keywords: Ultralytics, 文档, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR, 模型, 架构, Python, CLI
---
# Ultralytics 支持的模型
欢迎来到 Ultralytics 的模型文档！我们支持多种模型，每种模型都针对特定任务进行了优化，如[对象检测](/../tasks/detect.md)、[实例分割](/../tasks/segment.md)、[图像分类](/../tasks/classify.md)、[姿态估计](/../tasks/pose.md)和[多对象追踪](/../modes/track.md)。如果您有兴趣将您的模型架构贡献给 Ultralytics，请查看我们的[贡献指南](/../help/contributing.md)。
欢迎来到 Ultralytics 的模型文档！我们提供多种模型的支持，每种模型都针对特定任务量身定做，如[对象检测](../tasks/detect.md)、[实例分割](../tasks/segment.md)、[图像分类](../tasks/classify.md)、[姿态估计](../tasks/pose.md)以及[多对象跟踪](../modes/track.md)。如果您有兴趣将您的模型架构贡献给 Ultralytics，请查看我们的[贡献指南](../../help/contributing.md)。
!!! Note "笔记"
!!! Note "注意"
Ultralytics 团队正忙于将文档翻译成多种语言。本页面上的链接目前可能会导向英文文档页面，因为我们正在努力扩展多语言文档支持。感谢您的耐心等待 🙏！
🚧 我们的多语言文档目前正在建设中，我们正在努力进行完善。感谢您的耐心等待！🙏
## 特色模型
以下是一些关键支持的模型：
以下是一些关键模型的介绍：
1. **[YOLOv3](/../models/yolov3.md)**：YOLO 模型系列的第三个版本，最初由 Joseph Redmon 提出，以其高效的实时对象检测能力而闻名。
2. **[YOLOv4](/../models/yolov4.md)**：YOLOv3 的 darknet 本地更新，由 Alexey Bochkovskiy 在 2020 年发布。
3. **[YOLOv5](/../models/yolov5.md)**：Ultralytics 改进的 YOLO 架构版本，与之前的版本相比提供了更好的性能和速度折中选择。
4. **[YOLOv6](/../models/yolov6.md)**：由 [美团](https://about.meituan.com/) 在 2022 年发布，并在公司众多自主配送机器人中使用。
5. **[YOLOv7](/../models/yolov7.md)**：YOLOv4 作者在 2022 年发布的更新版 YOLO 模型。
6. **[YOLOv8](/../models/yolov8.md)**：YOLO 系列的最新版本，具备增强的功能，如实例分割、姿态/关键点估计和分类。
7. **[Segment Anything Model (SAM)](/../models/sam.md)**：Meta's Segment Anything Model (SAM)。
8. **[Mobile Segment Anything Model (MobileSAM)](/../models/mobile-sam.md)**：由庆熙大学为移动应用程序打造的 MobileSAM。
9. **[Fast Segment Anything Model (FastSAM)](/../models/fast-sam.md)**：中国科学院自动化研究所图像与视频分析组的 FastSAM。
10. **[YOLO-NAS](/../models/yolo-nas.md)**：YOLO 神经架构搜索 (NAS) 模型。
11. **[Realtime Detection Transformers (RT-DETR)](/../models/rtdetr.md)**：百度 PaddlePaddle 实时检测变换器 (RT-DETR) 模型。
1. **[YOLOv3](yolov3.md)**：由 Joseph Redmon 最初开发的 YOLO 模型家族的第三版，以其高效的实时对象检测能力而闻名。
2. **[YOLOv4](yolov4.md)**：由 Alexey Bochkovskiy 在 2020 年发布的 YOLOv3 的 darknet 原生更新版本。
3. **[YOLOv5](yolov5.md)**：Ultralytics 改进的 YOLO 架构版本，与先前版本相比，提供了更好的性能和速度权衡。
4. **[YOLOv6](yolov6.md)**：由[美团](https://about.meituan.com/)在 2022 年发布，用于公司多个自主送货机器人中。
5. **[YOLOv7](yolov7.md)**：YOLOv4 作者在 2022 年发布的更新版 YOLO 模型。
6. **[YOLOv8](yolov8.md) NEW 🚀**：YOLO 家族的最新版本，具备实例分割、姿态/关键点估计和分类等增强能力。
7. **[Segment Anything Model (SAM)](sam.md)**：Meta 的 Segment Anything Model (SAM)。
8. **[Mobile Segment Anything Model (MobileSAM)](mobile-sam.md)**：由庆熙大学开发的移动应用 MobileSAM。
9. **[Fast Segment Anything Model (FastSAM)](fast-sam.md)**：中国科学院自动化研究所图像与视频分析组开发的 FastSAM。
10. **[YOLO-NAS](yolo-nas.md)**：YOLO 神经网络结构搜索 (NAS) 模型。
11. **[Realtime Detection Transformers (RT-DETR)](rtdetr.md)**：百度 PaddlePaddle 实时检测变换器 (RT-DETR) 模型。
<p align="center">
<br>
<iframe width="720" height="405" src="https://www.youtube.com/embed/MWq1UxqTClU?si=nHAW-lYDzrz68jR0"
title="YouTube 视频播放器" frameborder="0"
title="YouTube video player" frameborder="0"
allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share"
allowfullscreen>
</iframe>
<br>
<strong>观看：</strong>仅使用几行代码运行 Ultralytics YOLO 模型。
<strong>观看：</strong> 使用 Ultralytics YOLO 模型在几行代码中运行。
</p>
## 入门：使用示例
此示例提供了简单的 YOLO 训练和推理示例。有关这些和其他[模式](../modes/index.md)的完整文档，请查看[Predict](../modes/predict.md)、[Train](../modes/train.md)、[Val](../modes/val.md) 和 [Export](../modes/export.md) 文档页面。
请注意，以下示例适用于对象检测的 YOLOv8 [Detect](../tasks/detect.md) 模型。有关其他支持任务的详细信息，请查看[Segment](../tasks/segment.md)、[Classify](../tasks/classify.md) 和 [Pose](../tasks/pose.md) 文档。
!!! Example "示例"
=== "Python"
PyTorch 预训练的 `*.pt` 模型以及配置 `*.yaml` 文件都可以传递给 `YOLO()`、`SAM()`、`NAS()` 和 `RTDETR()` 类来在 Python 中创建模型实例：
可将 PyTorch 预训练的 `*.pt` 模型以及配置文件 `*.yaml` 传入 `YOLO()`、`SAM()`、`NAS()` 和 `RTDETR()` 类，以在 Python 中创建模型实例：
```python
from ultralytics import YOLO
@ -68,7 +72,7 @@ keywords: Ultralytics, 文档, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR,
CLI 命令可直接运行模型：
```bash
# 加载 COCO 预训练的 YOLOv8n 模型，并在 COCO8 示例数据集上训练它 100 个周期
# 加载 COCO 预训练的 YOLOv8n 模型，并在 COCO8 示例数据集上训练 100 个周期
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640
# 加载 COCO 预训练的 YOLOv8n 模型，并对 'bus.jpg' 图像进行推理
@ -77,18 +81,18 @@ keywords: Ultralytics, 文档, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR,
## 贡献新模型
有兴趣将您的模型贡献给 Ultralytics 吗？太好了！我们始终欢迎扩展我们的模型组合。
有兴趣将您的模型贡献给 Ultralytics 吗？太好了！我们始终欢迎扩展我们的模型投资组合。
1. **Fork 仓库**：首先 Fork [Ultralytics GitHub 仓库](https://github.com/ultralytics/ultralytics)。
1. **Fork 仓库**：从 Fork [Ultralytics GitHub 仓库](https://github.com/ultralytics/ultralytics) 开始。
2. **克隆您的 Fork**：将您的 Fork 克隆到本地机器上，并创建一个新分支进行工作。
2. **克隆您的 Fork**：将您的 Fork 克隆到您的本地机器，并创建一个新的分支进行工作。
3. **实现您的模型**：按照我们在[贡献指南](/../help/contributing.md)中提供的编码标准和指南添加您的模型。
3. **实现您的模型**：按照我们在[贡献指南](../../help/contributing.md)中提供的编码标准和指南添加您的模型。
4. **彻底测试**：确保彻底测试您的模型，无论是独立还是作为整个管道的一部分。
4. **彻底测试**：确保彻底测试您的模型，无论是独立测试还是作为流水线的一部分。
5. **创建 Pull Request**：一旦您对您的模型感到满意，请创建一个到主仓库的 Pull Request 以便审查。
5. **创建拉取请求**：一旦您对您的模型满意，就创建一个拉取请求以供主仓库审查。
6. **代码审查与合并**：经审查，如果您的模型符合我们的标准，它将被合并到主仓库中。
6. **代码审查与合并**：经过审查，如果您的模型符合我们的标准，它将被合并到主仓库中。
有关详细步骤，请参阅我们的[贡献指南](/../help/contributing.md)。
有关详细步骤，请参阅我们的[贡献指南](../../help/contributing.md)。