Add Docs languages zh, es, ru, pt, fr, de, ja, ko (#6316)
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
GitHub
parent
e3a538bbde
commit
48e70f0921
144 changed files with 17632 additions and 76 deletions
127
docs/zh/datasets/index.md
Normal file
127
docs/zh/datasets/index.md
Normal file
|
|
@ -0,0 +1,127 @@
|
|||
---
|
||||
comments: true
|
||||
description: 探索 Ultralytics 支持的多种计算机视觉数据集，适用于对象检测、分割、姿态估计、图像分类和多对象跟踪。
|
||||
keywords: 计算机视觉, 数据集, Ultralytics, YOLO, 对象检测, 实例分割, 姿态估计, 图像分类, 多对象跟踪
|
||||
---
|
||||
|
||||
# 数据集概览
|
||||
|
||||
Ultralytics 支持多种数据集，方便开展计算机视觉任务，诸如检测、实例分割、姿态估计、分类和多对象跟踪。以下是主要 Ultralytics 数据集的列表，以及每个计算机视觉任务及其相应数据集的概述。
|
||||
|
||||
!!! note
|
||||
|
||||
Ultralytics 团队正在努力将文档翻译成多种语言。目前，本页面上的链接可能会直接指向英文文档页面，因为我们正在扩展多语言文档支持。感谢您的耐心等待 🙏！
|
||||
|
||||
## [检测数据集](/../datasets/detect/index.md)
|
||||
|
||||
边界框对象检测是一种计算机视觉技术，涉及通过在图像中的每个对象周围绘制边界框来检测和定位对象。
|
||||
|
||||
- [Argoverse](/../datasets/detect/argoverse.md)：包含城市环境中的 3D 追踪和运动预测数据，并提供丰富的注释。
|
||||
- [COCO](/../datasets/detect/coco.md)：一个大型数据集，专为对象检测、分割和描述设计，包含 20 多万带有标签的图像。
|
||||
- [COCO8](/../datasets/detect/coco8.md)：包含 COCO 训练集和 COCO 验证集的前 4 张图像，适合快速测试。
|
||||
- [Global Wheat 2020](/../datasets/detect/globalwheat2020.md)：一个小麦头部图像的数据集，收集自世界各地，用于对象检测和定位任务。
|
||||
- [Objects365](/../datasets/detect/objects365.md)：一个高质量的大规模对象检测数据集，含 365 个对象类别和逾 60 万个注释图像。
|
||||
- [OpenImagesV7](/../datasets/detect/open-images-v7.md)：谷歌提供的综合数据集，包含 170 万训练图像和 4.2 万验证图像。
|
||||
- [SKU-110K](/../datasets/detect/sku-110k.md)：一个特点是在零售环境中进行密集对象检测的数据集，包含 1.1 万图像和 170 万个边界框。
|
||||
- [VisDrone](/../datasets/detect/visdrone.md)：包含无人机拍摄图像中的对象检测和多对象跟踪数据的数据集，包含超过 1 万张图像和视频序列。
|
||||
- [VOC](/../datasets/detect/voc.md)：Pascal Visual Object Classes (VOC) 对象检测和分割数据集，包含 20 个对象类别和逾 1.1 万图像。
|
||||
- [xView](/../datasets/detect/xview.md)：用于航拍图像对象检测的数据集，包含 60 个对象类别和逾 100 万个注释对象。
|
||||
|
||||
## [实例分割数据集](/../datasets/segment/index.md)
|
||||
|
||||
实例分割是一种计算机视觉技术，涉及在像素级别识别和定位图像中的对象。
|
||||
|
||||
- [COCO](/../datasets/segment/coco.md)：一个大型数据集，专为对象检测、分割和描述任务设计，包含 20 多万带有标签的图像。
|
||||
- [COCO8-seg](/../datasets/segment/coco8-seg.md)：一个用于实例分割任务的较小数据集，包含 8 张带有分割注释的 COCO 图像。
|
||||
|
||||
## [姿态估计](/../datasets/pose/index.md)
|
||||
|
||||
姿态估计是一种用于确定对象相对于相机或世界坐标系统的姿势的技术。
|
||||
|
||||
- [COCO](/../datasets/pose/coco.md)：一个包含人体姿态注释的大型数据集，专为姿态估计任务设计。
|
||||
- [COCO8-pose](/../datasets/pose/coco8-pose.md)：一个用于姿态估计任务的较小数据集，包含 8 张带有人体姿态注释的 COCO 图像。
|
||||
- [Tiger-pose](/../datasets/pose/tiger-pose.md)：一个紧凑型数据集，包含 263 张专注于老虎的图像，每只老虎注释有 12 个关键点，用于姿态估计任务。
|
||||
|
||||
## [分类](/../datasets/classify/index.md)
|
||||
|
||||
图像分类是一个计算机视觉任务，涉及基于其视觉内容将图像分类到一个或多个预定义类别中。
|
||||
|
||||
- [Caltech 101](/../datasets/classify/caltech101.md)：包含 101 个对象类别图像的数据集，用于图像分类任务。
|
||||
- [Caltech 256](/../datasets/classify/caltech256.md)：Caltech 101 的扩展版本，具有 256 个对象类别和更具挑战性的图像。
|
||||
- [CIFAR-10](/../datasets/classify/cifar10.md)：包含 60K 32x32 彩色图像的数据集，分为 10 个类别，每个类别有 6K 图像。
|
||||
- [CIFAR-100](/../datasets/classify/cifar100.md)：CIFAR-10 的扩展版本，具有 100 个对象类别和每类 600 个图像。
|
||||
- [Fashion-MNIST](/../datasets/classify/fashion-mnist.md)：包含 70,000 张灰度图像的数据集，图像来自 10 个时尚类别，用于图像分类任务。
|
||||
- [ImageNet](/../datasets/classify/imagenet.md)：一个大型的用于对象检测和图像分类的数据集，包含超过 1400 万图像和 2 万个类别。
|
||||
- [ImageNet-10](/../datasets/classify/imagenet10.md)：ImageNet 的一个较小子集，包含 10 个类别，用于更快速的实验和测试。
|
||||
- [Imagenette](/../datasets/classify/imagenette.md)：ImageNet 的一个较小子集，其中包含 10 个容易区分的类别，用于更快速的训练和测试。
|
||||
- [Imagewoof](/../datasets/classify/imagewoof.md)：ImageNet 的一个更具挑战性的子集，包含 10 个狗品种类别用于图像分类任务。
|
||||
- [MNIST](/../datasets/classify/mnist.md)：包含 70,000 张手写数字灰度图像的数据集，用于图像分类任务。
|
||||
|
||||
## [定向边界框 (OBB)](/../datasets/obb/index.md)
|
||||
|
||||
定向边界框 (OBB) 是一种计算机视觉方法，用于使用旋转的边界框检测图像中的倾斜对象，常应用于航空和卫星图像。
|
||||
|
||||
- [DOTAv2](/../datasets/obb/dota-v2.md)：一个流行的 OBB 航拍图像数据集，拥有 170 万个实例和 11,268 张图像。
|
||||
|
||||
## [多对象跟踪](/../datasets/track/index.md)
|
||||
|
||||
多对象跟踪是一种计算机视觉技术，涉及在视频序列中检测和跟踪多个对象的运动。
|
||||
|
||||
- [Argoverse](/../datasets/detect/argoverse.md)：包含城市环境中的 3D 追踪和运动预测数据，并提供丰富的注释，适用于多对象跟踪任务。
|
||||
- [VisDrone](/../datasets/detect/visdrone.md)：包含无人机拍摄图像中的对象检测和多对象跟踪数据的数据集，包含超过 1 万张图像和视频序列。
|
||||
|
||||
## 贡献新数据集
|
||||
|
||||
贡献一个新数据集需要几个步骤，来确保它与现有基础设施良好对齐。以下是必要的步骤：
|
||||
|
||||
### 贡献新数据集的步骤
|
||||
|
||||
1. **收集图像**：收集属于数据集的图像。这些可能来自公共数据库或您自己的收藏。
|
||||
|
||||
2. **注释图像**：根据任务对这些图像进行边界框、分段或关键点的标记。
|
||||
|
||||
3. **导出注释**：将这些注释转换为 Ultralytics 支持的 YOLO *.txt 文件格式。
|
||||
|
||||
4. **组织数据集**：按正确的文件夹结构排列您的数据集。您应该有 `train/ ` 和 `val/` 顶级目录，在每个目录内，有 `images/` 和 `labels/` 子目录。
|
||||
|
||||
```
|
||||
dataset/
|
||||
├── train/
|
||||
│ ├── images/
|
||||
│ └── labels/
|
||||
└── val/
|
||||
├── images/
|
||||
└── labels/
|
||||
```
|
||||
|
||||
5. **创建一个 `data.yaml` 文件**：在数据集的根目录中，创建一个描述数据集的 `data.yaml` 文件，包括类别信息等必要内容。
|
||||
|
||||
6. **优化图像（可选）**：如果您想为了更高效的处理而减小数据集的大小，可以使用以下代码来优化图像。这不是必需的，但推荐用于减小数据集大小和加快下载速度。
|
||||
|
||||
7. **压缩数据集**：将整个数据集文件夹压缩成一个 zip 文件。
|
||||
|
||||
8. **文档和 PR**：创建描述您的数据集和它如何融入现有框架的文档页面。之后，提交一个 Pull Request (PR)。更多关于如何提交 PR 的详细信息，请参照 [Ultralytics 贡献指南](https://docs.ultralytics.com/help/contributing)。
|
||||
|
||||
### 优化和压缩数据集的示例代码
|
||||
|
||||
!!! example "优化和压缩数据集"
|
||||
|
||||
=== "Python"
|
||||
|
||||
```python
|
||||
from pathlib import Path
|
||||
from ultralytics.data.utils import compress_one_image
|
||||
from ultralytics.utils.downloads import zip_directory
|
||||
|
||||
# 定义数据集目录
|
||||
path = Path('path/to/dataset')
|
||||
|
||||
# 优化数据集中的图像（可选）
|
||||
for f in path.rglob('*.jpg'):
|
||||
compress_one_image(f)
|
||||
|
||||
# 将数据集压缩成 'path/to/dataset.zip'
|
||||
zip_directory(path)
|
||||
```
|
||||
|
||||
通过遵循这些步骤，您可以贡献一个与 Ultralytics 现有结构良好融合的新数据集。
|
||||
94
docs/zh/models/index.md
Normal file
94
docs/zh/models/index.md
Normal file
|
|
@ -0,0 +1,94 @@
|
|||
---
|
||||
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。
|
||||
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)。
|
||||
|
||||
!!! note
|
||||
|
||||
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 🙏！
|
||||
|
||||
## 特色模型
|
||||
|
||||
以下是一些关键支持的模型：
|
||||
|
||||
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。
|
||||
|
||||
<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"
|
||||
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。
|
||||
</p>
|
||||
|
||||
## 入门：使用示例
|
||||
|
||||
!!! example ""
|
||||
|
||||
=== "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：
|
||||
|
||||
```python
|
||||
from ultralytics import YOLO
|
||||
|
||||
# 加载 COCO 预训练的 YOLOv8n 模型
|
||||
model = YOLO('yolov8n.pt')
|
||||
|
||||
# 显示模型信息（可选）
|
||||
model.info()
|
||||
|
||||
# 在 COCO8 示例数据集上训练模型 100 个周期
|
||||
results = model.train(data='coco8.yaml', epochs=100, imgsz=640)
|
||||
|
||||
# 使用 YOLOv8n 模型对 'bus.jpg' 图像进行推理
|
||||
results = model('path/to/bus.jpg')
|
||||
```
|
||||
|
||||
=== "CLI"
|
||||
|
||||
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
|
||||
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
|
||||
yolo predict model=yolov8n.pt source=path/to/bus.jpg
|
||||
```
|
||||
|
||||
## 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。
|
||||
|
||||
1. **Fork 仓库**：首先 Fork [Ultralytics GitHub 仓库](https://github.com/ultralytics/ultralytics)。
|
||||
|
||||
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。
|
||||
|
||||
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。
|
||||
|
||||
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。
|
||||
|
||||
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。
|
||||
|
||||
有关详细步骤，请参阅我们的[贡献指南](/../help/contributing.md)。
|
||||
|
|
@ -1,7 +1,7 @@
|
|||
---
|
||||
评论: 真
|
||||
描述: 学习如何使用Ultralytics YOLO进行视频流中的物体追踪。指南包括使用不同的追踪器和自定义追踪器配置。
|
||||
关键词: Ultralytics, YOLO, 物体追踪, 视频流, BoT-SORT, ByteTrack, Python 指南, CLI 指南
|
||||
comments: true
|
||||
description: 学习如何使用Ultralytics YOLO进行视频流中的物体追踪。指南包括使用不同的追踪器和自定义追踪器配置。
|
||||
keywords: Ultralytics, YOLO, 物体追踪, 视频流, BoT-SORT, ByteTrack, Python 指南, CLI 指南
|
||||
---
|
||||
|
||||
# 使用Ultralytics YOLO进行多物体追踪
|
||||
|
|
|
|||
|
|
@ -1,7 +1,7 @@
|
|||
---
|
||||
评论: 真
|
||||
描述: 使用Ultralytics YOLO训练YOLOv8模型的逐步指南，包括单GPU和多GPU训练示例
|
||||
关键词: Ultralytics, YOLOv8, YOLO, 目标检测, 训练模式, 自定义数据集, GPU训练, 多GPU, 超参数, CLI示例, Python示例
|
||||
comments: true
|
||||
description: 使用Ultralytics YOLO训练YOLOv8模型的逐步指南，包括单GPU和多GPU训练示例
|
||||
keywords: Ultralytics, YOLOv8, YOLO, 目标检测, 训练模式, 自定义数据集, GPU训练, 多GPU, 超参数, CLI示例, Python示例
|
||||
---
|
||||
|
||||
# 使用Ultralytics YOLO进行模型训练
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue