UltralyticsView as Markdown最后更新 2025年7月22日Supported on:RVC2RVC4概述Ultralytics Python 包提供了一个用户友好的界面,用于训练、评估和部署深度学习模型。它支持自定义数据集训练和预训练模型推理,使初学者易于上手,同时为经验丰富的开发人员提供高级自定义选项。Ultralytics 以引领 YOLO 模型(包括 YOLOv8、YOLOv10 和 YOLOv11 等最新版本)的开发而闻名。该包还支持 SAM、DETR 等其他架构。您可以在官方文档中了解更多信息。主要特点:即用型预训练模型,可快速部署。自定义模型训练,配置最少。支持多种导出格式,包括 ONNX、TensorRT 和 OpenVINO。YOLO 模型简介YOLO (You Only Look Once) 是一系列实时目标检测模型,以其速度和准确性而闻名。与分多步分析图像的传统检测方法不同,YOLO 模型将检测视为单次回归问题,通过一次评估直接从整个图像中预测边界框和类别概率。最初,YOLO 模型是为目标检测而设计的,但新版本现在支持多头任务,例如姿态估计、分割等。用法我们已将使用 Ultralytics 训练的 YOLO 模型部署到 Luxonis 设备变得简单。为了帮助您入门,我们提供了按任务分类的端到端教程:目标检测YOLOv5 教程YOLOv7 教程YOLOv8 教程实例姿态YOLOv11 教程实例分割YOLOv11 教程如果您已经有预训练权重,并且只需要将其转换为 Luxonis 设备,请按照以下步骤操作:使用 YOLO ONNX 转换 转换您的模型。然后,按照 RVC 转换 完成转换过程。DepthAI 集成YOLO 模型需要专门的后处理,包括:将原始输出解码为边界框(以及某些模型的关键点或实例掩码)。非极大值抑制 (NMS) 以过滤重叠检测。一旦您的目标检测模型转换为RVC 就绪格式,您就可以使用 DetectionNetwork 节点 集成它,该节点处理所有必要的后处理。对于实例关键点检测或实例分割模型,请参阅 推理 页面上的YOLO 模型部分。在这些情况下,请使用 DepthAI Nodes 包并将 YOLOExtendedParser 设置为 NNArchive 中的头部解析器。