Update docs predict, buttons, reference (#6585)
Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com>
This commit is contained in:
Glenn Jocher
GitHub
parent
a1ccdb00ed
commit
e361194d7f
141 changed files with 1044 additions and 828 deletions
|
|
@ -40,34 +40,34 @@ Ultralytics YOLOv8不仅仅是另一个目标检测模型；它是一个多功
|
|||
|
||||
训练模式用于在自定义数据集上训练YOLOv8模型。在此模式下，模型将使用指定的数据集和超参数进行训练。训练过程包括优化模型的参数，使其能够准确预测图像中对象的类别和位置。
|
||||
|
||||
[训练示例](train.md){ .md-button .md-button--primary}
|
||||
[训练示例](train.md){ .md-button }
|
||||
|
||||
## [验证](val.md)
|
||||
|
||||
验证模式用于训练YOLOv8模型后进行验证。在此模式下，模型在验证集上进行评估，以衡量其准确性和泛化能力。此模式可以用来调整模型的超参数，以改善其性能。
|
||||
|
||||
[验证示例](val.md){ .md-button .md-button--primary}
|
||||
[验证示例](val.md){ .md-button }
|
||||
|
||||
## [预测](predict.md)
|
||||
|
||||
预测模式用于使用训练好的YOLOv8模型在新图像或视频上进行预测。在此模式下，模型从检查点文件加载，用户可以提供图像或视频以执行推理。模型预测输入图像或视频中对象的类别和位置。
|
||||
|
||||
[预测示例](predict.md){ .md-button .md-button--primary}
|
||||
[预测示例](predict.md){ .md-button }
|
||||
|
||||
## [导出](export.md)
|
||||
|
||||
导出模式用于将YOLOv8模型导出为可用于部署的格式。在此模式下，模型被转换为其他软件应用或硬件设备可以使用的格式。当模型部署到生产环境时，此模式十分有用。
|
||||
|
||||
[导出示例](export.md){ .md-button .md-button--primary}
|
||||
[导出示例](export.md){ .md-button }
|
||||
|
||||
## [跟踪](track.md)
|
||||
|
||||
跟踪模式用于使用YOLOv8模型实时跟踪对象。在此模式下，模型从检查点文件加载，用户可以提供实时视频流以执行实时对象跟踪。此模式适用于监控系统或自动驾驶汽车等应用。
|
||||
|
||||
[跟踪示例](track.md){ .md-button .md-button--primary}
|
||||
[跟踪示例](track.md){ .md-button }
|
||||
|
||||
## [基准](benchmark.md)
|
||||
|
||||
基准模式用于对YOLOv8的各种导出格式的速度和准确性进行评估。基准提供了有关导出格式大小、其针对目标检测、分割和姿态的`mAP50-95`指标，或针对分类的`accuracy_top5`指标，以及每张图像跨各种导出格式（如ONNX、OpenVINO、TensorRT等）的推理时间（以毫秒为单位）的信息。此信息可以帮助用户根据对速度和准确性的具体需求，选择最佳的导出格式。
|
||||
|
||||
[基准示例](benchmark.md){ .md-button .md-button--primary}
|
||||
[基准示例](benchmark.md){ .md-button }
|
||||
|
|
|
|||
|
|
@ -354,8 +354,8 @@ YOLOv8 可以处理推理输入的不同类型，如下表所示。来源包括
|
|||
| `save_txt` | `bool` | `False` | 将结果保存为.txt文件 |
|
||||
| `save_conf` | `bool` | `False` | 保存带有置信度分数的结果 |
|
||||
| `save_crop` | `bool` | `False` | 保存带有结果的裁剪图像 |
|
||||
| `hide_labels` | `bool` | `False` | 隐藏标签 |
|
||||
| `hide_conf` | `bool` | `False` | 隐藏置信度分数 |
|
||||
| `show_labels` | `bool` | `True` | 隐藏标签 |
|
||||
| `show_conf` | `bool` | `True` | 隐藏置信度分数 |
|
||||
| `max_det` | `int` | `300` | 每张图像的最大检测数量 |
|
||||
| `vid_stride` | `bool` | `False` | 视频帧速率跳跃 |
|
||||
| `stream_buffer` | `bool` | `False` | 缓冲所有流媒体帧（True）或返回最新帧（False） |
|
||||
|
|
|
|||
|
|
@ -203,7 +203,7 @@ Ultralytics命令行界面（CLI）允许您通过简单的单行命令使用，
|
|||
- `yolo predict model yolov8n.pt imgsz 640 conf 0.25` ❌
|
||||
- `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` ❌
|
||||
|
||||
[CLI指南](/../usage/cli.md){ .md-button .md-button--primary}
|
||||
[CLI指南](/../usage/cli.md){ .md-button }
|
||||
|
||||
## 通过Python使用Ultralytics
|
||||
|
||||
|
|
|
|||
|
|
@ -26,25 +26,25 @@ YOLOv8 是一个支持多种计算机视觉**任务**的 AI 框架。该框架
|
|||
|
||||
检测是 YOLOv8 支持的主要任务。它涉及在图像或视频帧中检测对象并围绕它们绘制边界框。侦测到的对象根据其特征被归类到不同的类别。YOLOv8 能够在单个图像或视频帧中检测多个对象，具有高准确性和速度。
|
||||
|
||||
[检测示例](detect.md){ .md-button .md-button--primary}
|
||||
[检测示例](detect.md){ .md-button }
|
||||
|
||||
## [分割](segment.md)
|
||||
|
||||
分割是一项涉及将图像分割成基于图像内容的不同区域的任务。每个区域根据其内容被分配一个标签。该任务在应用程序中非常有用，如图像分割和医学成像。YOLOv8 使用 U-Net 架构的变体来执行分割。
|
||||
|
||||
[分割示例](segment.md){ .md-button .md-button--primary}
|
||||
[分割示例](segment.md){ .md-button }
|
||||
|
||||
## [分类](classify.md)
|
||||
|
||||
分类是一项涉及将图像归类为不同类别的任务。YOLOv8 可用于根据图像内容对图像进行分类。它使用 EfficientNet 架构的变体来执行分类。
|
||||
|
||||
[分类示例](classify.md){ .md-button .md-button--primary}
|
||||
[分类示例](classify.md){ .md-button }
|
||||
|
||||
## [姿态](pose.md)
|
||||
|
||||
姿态/关键点检测是一项涉及在图像或视频帧中检测特定点的任务。这些点被称为关键点，用于跟踪移动或姿态估计。YOLOv8 能够在图像或视频帧中准确迅速地检测关键点。
|
||||
|
||||
[姿态示例](pose.md){ .md-button .md-button--primary}
|
||||
[姿态示例](pose.md){ .md-button }
|
||||
|
||||
## 结论
|
||||
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue