Ultralytics YOLO26 模式
介绍
Ultralytics YOLO26 不仅仅是另一个目标检测模型；它是一个功能通用的框架，旨在覆盖 机器学习 模型的整个生命周期——从数据摄取和模型训练到验证、部署以及实际应用中的跟踪。每种模式都有特定的用途，旨在为你提供不同任务和用例所需的灵活性和效率。
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
模式概览
了解 Ultralytics YOLO26 支持的不同 模式 对于充分利用你的模型至关重要：
- Train 模式：在自定义或预加载的数据集上微调你的模型。
- Val 模式：训练后的检查点，用于验证模型性能。
- Predict 模式：在现实世界的数据上释放你模型的预测能力。
- Export 模式：使你的 模型部署 准备好适配各种格式。
- Track 模式：将你的目标检测模型扩展到实时跟踪应用中。
- Benchmark 模式：在不同的部署环境中分析你模型的速度和准确性。
本综合指南旨在为你提供每种模式的概述和实践见解，帮助你挖掘 YOLO26 的全部潜力。
Train
Train 模式用于在自定义数据集上训练 YOLO26 模型。在此模式下，模型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，以便它能够准确预测图像中对象的类别和位置。训练对于创建能够识别与你应用相关特定对象的模型至关重要。
Val
Val 模式用于在 YOLO26 模型训练完成后对其进行验证。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性能。验证有助于识别 过拟合 等潜在问题，并提供诸如 平均精度均值 (mAP) 等指标来量化模型性能。此模式对于调整超参数和提高整体模型有效性至关重要。
Predict
Predict 模式用于使用已训练的 YOLO26 模型对新图像或视频进行预测。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来进行推理。模型会识别并定位输入媒体中的对象，使其可用于实际应用。Predict 模式是应用你训练好的模型来解决实际问题的门户。
Export
Export 模式用于将 YOLO26 模型转换为适合跨不同平台和设备部署的格式。此模式将你的 PyTorch 模型转换为诸如 ONNX、TensorRT 或 CoreML 等优化格式，从而实现在生产环境中的部署。导出对于将你的模型集成到各种软件应用或硬件设备中至关重要，通常会带来显著的性能提升。
Track
Track 模式扩展了 YOLO26 的目标检测能力，以在视频帧或实时流中跟踪对象。此模式对于需要持续对象识别的应用特别有价值，例如 监控系统 或 自动驾驶汽车。Track 模式实现了像 ByteTrack 这样复杂的算法，即使对象暂时从视图中消失，也能跨帧维持对象身份。
Benchmark
Benchmark 模式用于分析 YOLO26 各种导出格式的速度和准确性。此模式提供关于模型大小、准确性（检测任务的 mAP50-95 或分类任务的 accuracy_top5）以及在 ONNX、OpenVINO 和 TensorRT 等不同格式下的推理时间的综合指标。基准测试有助于你根据部署环境中对速度和准确性的具体要求选择最佳导出格式。
常见问题 (FAQ)
如何使用 Ultralytics YOLO26 训练自定义 目标检测 模型？
使用 Ultralytics YOLO26 训练自定义目标检测模型需要使用 train 模式。你需要一个格式为 YOLO 格式 的数据集，其中包含图像和相应的标注文件。使用以下命令开始训练过程：
from ultralytics import YOLO
# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")
# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)有关更详细的说明，你可以参考 Ultralytics 训练指南。
Ultralytics YOLO26 使用哪些指标来验证模型性能？
Ultralytics YOLO26 在验证过程中使用各种指标来评估模型性能。其中包括：
- mAP (mean Average Precision)：用于评估目标检测的准确性。
- IOU (Intersection over Union)：衡量预测边界框与真实边界框之间的重叠度。
- 精度 (Precision) 和 召回率 (Recall)：精度衡量的是检测到的正样本中真正正样本的比例，而召回率衡量的是实际正样本中被检测到的正样本的比例。
你可以运行以下命令开始验证：
from ultralytics import YOLO
# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")
# Run validation on your dataset
model.val(data="path/to/validation.yaml")参考 验证指南 了解更多详细信息。
我该如何导出我的 YOLO26 模型以进行部署？
Ultralytics YOLO26 提供导出功能，将你训练好的模型转换为各种部署格式，如 ONNX、TensorRT、CoreML 等。使用以下示例导出你的模型：
from ultralytics import YOLO
# Load your trained YOLO model
model = YOLO("yolo26n.pt")
# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")每种导出格式的详细步骤可以在 导出指南 中找到。
Ultralytics YOLO26 中 benchmark 模式的目的是什么？
Ultralytics YOLO26 中的 Benchmark 模式用于分析 ONNX、TensorRT 和 OpenVINO 等各种导出格式的速度和 准确性。它提供诸如模型大小、目标检测的 mAP50-95 以及跨不同硬件设置的推理时间等指标，帮助你为部署需求选择最合适的格式。
from ultralytics.utils.benchmarks import benchmark
# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)有关更多详细信息，请参考 基准测试指南。
我该如何使用 Ultralytics YOLO26 执行实时目标跟踪？
实时目标跟踪可以通过 Ultralytics YOLO26 中的 track 模式实现。此模式扩展了目标检测能力，以在视频帧或实时流中跟踪对象。使用以下示例启用跟踪：
from ultralytics import YOLO
# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")
# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")有关详细说明，请访问 跟踪指南。