前言
YOLO 是一系列实时计算机视觉模型，用于目标检测、实例分割、语义分割、深度估计、分类、姿态估计、定向边界框和跟踪，可通过一个 Python 包和命令行界面 (CLI) 使用。
安装
# Install or upgrade the ultralytics package from PyPI
pip install -U ultralytics
训练
使用 YOLO 模型在 COCO8 数据集上训练 100 个epoch，图像尺寸为 640。训练设备可以通过参数指定device。如果未传递参数，device=0则在可用时使用 GPU；否则device='cpu'使用普通设备。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.yaml") # build a new model from YAML
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt") # build from YAML and transfer weights
# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
使用预留数据验证训练好的模型，以检查其在实际应用中的准确性，然后将其导出为 ONNX、TensorRT 或其他部署格式。如果您使用自己的数据而不是 COCO8 数据集进行训练，请先按照数据集指南进行格式化。
验证
验证过程会存储除分类任务外所有任务的每张图像的精确率、召回率、F1 值、真阳性 (TP)、假阳性 (FP) 和假阴性 (FN) 指标（IoU 阈值为 0.5）。验证完成后，可通过以下方式访问这些指标：results.box.image_metrics检测和 OBB 任务、results.seg.image_metrics 分割任务以及results.pose.image_metrics姿态任务。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt")
# Validate and access per-image metrics
results = model.val(data="coco8.yaml")
# image_metrics is a dictionary with image filenames as keys
print(results.box.image_metrics)
# Output: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}
# Access metrics for a specific image
results.box.image_metrics["image1.jpg"] # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}