illegalCreed

中文

English

中文

English

Appearance

指南 ​

基于 Ultralytics 官方文档（Train / Predict / Export / YOLO26 / Architecture）+ GitHub Releases 编写

速查 ​

  • 训练入口：model.train(data=, epochs=, imgsz=640, batch=16, device=0)
  • 关键超参：lr0(初始学习率) / optimizer(SGD/AdamW/Adam) / momentum / weight_decay / warmup_epochs
  • 数据增强：mosaic(默认 1.0) / mixup / hsv_h/s/v / fliplr / scale / translate
  • 迁移学习：加载 .pt 即迁移；从零训练用 YOLO("yolo11n.yaml")（无权重）
  • 断点续训：model.train(resume=True)
  • 推理加速：model.predict(half=True)(FP16) / device=0 / imgsz 降低 / 导出 TensorRT
  • 流式推理：model.predict(source=0, stream=True)（摄像头逐帧，省内存）
  • 跟踪：model.track(source="v.mp4", tracker="bytetrack.yaml")（BoT-SORT/ByteTrack）
  • 导出：model.export(format="onnx")；GPU 用 engine，CPU 用 openvino
  • YOLO26 端到端：默认 end2end=True 无 NMS；高精度模式 end2end=False 走 one-to-many+NMS

训练参数详解 ​

python
model.train(
    data="coco.yaml",
    epochs=300,
    imgsz=640,
    batch=16,                  # 或 -1（自动找最大 batch）
    device=0,                  # 多卡 [0,1]；CPU "cpu"

    # 优化器
    optimizer="auto",          # auto/SGD/AdamW/Adam；auto 根据数据集选
    lr0=0.01,                  # 初始学习率
    lrf=0.01,                  # 最终学习率 = lr0 * lrf（余弦退火）
    momentum=0.937,
    weight_decay=0.0005,
    warmup_epochs=3.0,
    warmup_momentum=0.8,

    # 数据增强
    mosaic=1.0,                # 4 图拼接（YOLO 标志性增强）
    mixup=0.0,                 # 图像混合
    hsv_h=0.015, hsv_s=0.7, hsv_v=0.4,   # 色彩抖动
    degrees=0.0, translate=0.1, scale=0.5, shear=0.0,
    perspective=0.0,
    fliplr=0.5,                # 水平翻转
    flipud=0.0,

    # 正则与损失
    box=7.5, cls=0.5, dfl=1.5, # box/cls/DFL 损失权重
    label_smoothing=0.0,
    patience=100,              # 早停：100 轮无提升则停
)

经验法则：

  • 小数据集（<1k 图）优先迁移学习（加载 .pt）+ 强增强
  • 大数据集可从零训练（YOLO("yolo11n.yaml")）
  • 显存不足：降 batch、降 imgsz、开 half=True、关 mosaic（最后 10 轮）
  • 优化器：auto 大多数情况选 AdamW；CNN 上 SGD+momentum 常更稳

推理与流处理 ​

python
# 单图
results = model("img.jpg")

# 批量
results = model(["a.jpg", "b.jpg", "c.jpg"])

# 视频/流（stream=True 逐帧产出，避免一次性载入）
for r in model.predict(source="video.mp4", stream=True, save=True):
    boxes = r.boxes

# 摄像头
results = model(0, show=True)            # source=0 摄像头索引；show=True 弹窗

# 推理参数
results = model("img.jpg",
    conf=0.25,                # 置信度阈值
    iou=0.7,                  # NMS IoU 阈值
    imgsz=640,
    half=True,                # FP16（GPU）
    device=0,
    max_det=300,              # 每图最大检测数
    classes=[0, 2],           # 只保留 person/car
)

目标跟踪 ​

python
# BoT-SORT（默认，精度高）
results = model.track(source="v.mp4", tracker="botsort.yaml", save=True)

# ByteTrack（更快）
results = model.track(source="v.mp4", tracker="bytetrack.yaml")

# 每帧结果含 track id
for r in model.track(source="v.mp4", stream=True):
    if r.boxes.id is not None:
        print(r.boxes.xyxy, r.boxes.id.int())

导出与部署 ​

python
# ONNX（最通用，CPU/GPU 都行）
path = model.export(format="onnx", imgsz=640, dynamic=True, simplify=True)

# TensorRT（NVIDIA GPU 最快，5x 提速）
path = model.export(format="engine", device=0, half=True)

# CoreML（Apple 生态）
path = model.export(format="coreml")

# OpenVINO（Intel CPU 提速 3x）
path = model.export(format="openvino")

# TFLite（移动端/Edge TPU）
path = model.export(format="tflite")

# NCNN（移动端，腾讯）
path = model.export(format="ncnn")
格式适用场景备注
onnx通用，跨框架配 ONNX Runtime
engine (TensorRT)NVIDIA GPU最快，编译机与目标机架构需匹配
openvinoIntel CPU/iGPUCPU 提速 3x
coremlApple iOS/macOS含 NeuralNetwork 与 MIL 两种
tfliteAndroid/Edge TPU量化可选 int8
ncnn移动端 Vulkan腾讯，无依赖
torchscriptPyTorch 环境无需 Python

加载导出后的模型：直接 YOLO("best.onnx") / YOLO("best.engine")，API 与 .pt 一致。

架构演进 ​

YOLOv8：anchor-free + 解耦头（2023） ​

YOLOv8 是当代 YOLO 的奠基版本，三大架构变化：

  1. Anchor-free：不再预设锚框尺寸，直接预测中心点 + 宽高，省去 k-means 聚类与 IoU 损失调参
  2. 解耦头（Decoupled Head）：分类与回归分支独立卷积，避免任务冲突，收敛更快
  3. TaskAlignedAssigner：正样本分配同时考虑分类得分与定位质量

骨干（C2f 模块，C3 的演进）+ Neck（PAN-FPN）+ Head 三段式结构。

YOLO11：更少参数更高精度（2024） ​

改进骨干与 Neck 设计，YOLO11m 较 YOLOv8m 参数减少 22% 但 COCO mAP 更高。C3k2 模块、C2PSA 注意力等创新。

YOLO12：注意力中心（2025） ​

引入区域注意力模块（A2），让 CNN 与注意力机制协同，在保持实时速度的同时获得 Transformer 级别的全局建模能力。

YOLO26：原生端到端（2025-09，最新主推） ​

YOLO26 是当前最新一代，三大革新：

  1. 原生 NMS-free：默认 one-to-one 检测头，推理无需 NMS 后处理，端到端延迟更低
  2. 双头训练：训练时同时用 one-to-one 头（用于推理）+ one-to-many 辅助头（提升精度），推理只留前者
  3. 去除 DFL：简化 box 回归，降低检测头复杂度

训练管线：MuSGD（混合 SGD 与 Muon 优化器）+ Progressive Loss + STAL（小目标感知标签分配）。

性能对比（vs YOLO11）：

  • CPU ONNX 推理：YOLO26n 较 YOLO11n 提速最高 43%
  • 实例分割：+2.5 box AP / +3.7 mask AP
  • 姿态估计：+7.2 AP
  • OBB（DOTA-v1.0）：+3.4 mAP

切换端到端 / NMS 模式：

python
# 默认端到端（无 NMS）
results = model("img.jpg")                     # end2end=True 隐含

# 切回 one-to-many + NMS（精度略高，需后处理）
results = model("img.jpg", end2end=False)
model.export(format="onnx", end2end=False)     # 导出时也可指定

与其他检测器对比 ​

检测器维护方特点
Ultralytics YOLOUltralytics多任务统一、生态最全、迭代最快
RT-DETR百度Transformer 检测器，精度高但速度略慢
YOLO-NASDeci神经架构搜索，端侧优化
YOLO-World腾讯开放词表检测
MMDetectionOpenMMLab检测算法库，研究友好
Detectron2Meta学术经典，工业部署弱

Ultralytics 的核心优势是**「最快上手 + 最全部署 + 最强多任务」**，劣势是单框架锁定（不像 MMDetection 那样可插拔换 backbone）。