0003-YOLO的使用方法

一、官方网站地址：https://docs.ultralytics.com/

二、Install Ultralytics

Ultralytics提供了各种安装方法，包括pip、conda和Docker。通过ultralytics pip包安装YOLO以获得最新稳定版本，或通过克隆ultralytics GitHub存储库以获得最新版。Docker可用于在隔离的容器中执行包，避免本地安装。

（一）Pip install (推荐使用)

# Install the ultralytics package from PyPI
pip install ultralytics

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

（二）Conda install 

Conda是pip的替代包管理器，也可用于安装。访问Anaconda了解更多详细信息https://anaconda.org/conda-forge/ultralytics.用于更新conda软件包的Ultralytics原料库位于https://github.com/conda-forge/ultralytics-feedstock/.

# Install the ultralytics package using conda
conda install -c conda-forge ultralytics

如果要在CUDA环境中安装，最佳做法是在同一命令中安装ultralytics、pytorch和pytorch-CUDA，以允许conda包管理器解决任何冲突，或者最后安装pytorch-CUDA，以便在必要时覆盖特定于CPU的pytorch包。

# Install all packages together using conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

（三）Git clone

如果您有兴趣为开发做出贡献或希望尝试最新的源代码，请克隆ultralytics存储库。克隆后，导航到目录并使用pip以可编辑模式-e安装包。

# Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

三、将Ultralytics与Python结合使用

YOLO的Python接口允许无缝集成到Python项目中，使加载、运行和处理模型的输出变得容易。Python界面的设计考虑到了简单性和易用性，使用户能够在项目中快速实现对象检测、分割和分类。这使得YOLO的Python接口成为任何希望将这些功能整合到Python项目中的人的宝贵工具。

例如，用户只需几行代码就可以加载模型、训练模型、评估其在验证集上的性能，甚至将其导出为ONNX格式。查看Python指南，了解更多关于在Python项目中使用YOLO的信息。

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

四、模式（Modes）

训练模式（Train mode）：在自定义或预加载的数据集上微调您的模型。
Val模式（Val mode）：用于验证模型性能的训练后检查点。
预测模式（Predict mode）：释放模型对真实世界数据的预测能力。
导出模式（Export mode）：以各种格式准备好模型部署。
跟踪模式（Track mode）：将您的对象检测模型扩展到实时跟踪应用程序中。
基准模式（Benchmark mode）：分析模型在不同部署环境中的速度和准确性。

五、训练模式（Train Modes）

（一）使用单GPU和CPU进行训练

在图像大小为640的COCO8数据集上训练YOLO11n 100个迭代周期。可以使用设备参数指定训练设备。如果没有传递参数，则将使用GPU设备=0（如果可用），否则将使用设备='cpu'。有关训练参数的完整列表，请参阅下面的参数部分。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

（二）使用Multi-GPU 训练

通过在多个GPU上分配训练负载，多GPU训练可以更有效地利用可用硬件资源。此功能可通过Python API和命令行界面使用。要启用多GPU训练，请指定要使用的GPU设备ID。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

（三）恢复中断的训练

在使用深度学习模型时，从之前保存的状态恢复训练是一个关键功能。这在各种情况下都很有用，比如当训练过程意外中断时，或者当你希望用新数据或更多时间继续训练模型时。

当训练恢复时，Ultralytics YOLO会从上次保存的模型中加载权重，并恢复优化器状态、学习率调度器和历元数。这使您可以从中断的地方无缝地继续培训过程。

通过在调用train方法时将resume参数设置为True，并指定包含部分训练模型权重的.pt文件的路径，您可以在Ultralytics YOLO中轻松恢复训练。

下面是一个如何使用Python并通过命令行恢复中断的训练的示例：

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load