Ultralytics YOLO 目标检测框架快速上手一条命令装好10 分钟跑通第一个模型【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralyticsUltralytics YOLO 是一套基于 PyTorch 的目标检测框架同时覆盖实例分割、语义分割、图像分类、姿态估计和物体跟踪等任务。读完这篇指南你会知道如何把它装进环境、如何确认装对了以及训练、预测、导出这些日常操作该敲什么命令。5 分钟装好一条命令 一句验证绝大多数情况下你只需要一条命令pip install ultralytics它会自动把依赖全部装齐。装完立刻验证一下yolo --help能正常打印出帮助信息就说明yolo这个命令行入口已经就绪。接下来随便丢一张图给它试试yolo predict modelyolov8n.pt sourceultralytics/assets/zidane.jpg跑通之后你就能得到一张带检测框的结果图——这就是这个框架最典型的工作方式给模型、给图像返回检测目标的结果。4 种装法哪种适合你不知道选哪种对号入座即可。每种方式各留关键命令细节可在快速入门文档里查。你的情况推荐方式关键命令普通用户想最快跑起来Pip 安装pip install ultralytics已经用 Anaconda 管环境Conda 安装conda install -c conda-forge ultralytics需要环境隔离、给别人复现Docker 镜像sudo docker pull ultralytics/ultralytics:latest再sudo docker run -it --ipchost --gpus all ultralytics/ultralytics:latest启动要改源码、参与开发克隆仓库安装先git clone https://gitcode.com/GitHub_Trending/ul/ultralytics进入目录后pip install -e .-e表示可编辑模式改代码即时生效几个容易踩的点顺带说清用 GPU 训练Docker 运行命令里的--gpus all负责把显卡透传进容器去掉它就只能在 CPU 上跑。没显卡拉镜像时选 CPU 版本即可仓库里 docker/ 目录下能直接看到 CPU、ARM64、Jetson 等各种镜像的定义。Conda CUDA 用户最好把 PyTorch 和 ultralytics 写在同一条命令里装让 conda 一次性解决依赖冲突例如conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda11.8 ultralytics进阶玩家自己控制依赖想自己挑依赖版本pip install ultralytics --no-deps可以只装主包不装依赖之后手动补齐。想基于自己的分支装把依赖清单里不合你环境的包改掉比如服务器场景下常见的把 opencv-python 换成无界面版本然后从你的分支直接安装pip install githttps://gitcode.com/GitHub_Trending/ul/ultralytics.git你的分支名这一行也能直接写进requirements.txt用来锁定整个项目的安装源。常用命令速查你想做什么就敲什么yolo命令的通用结构是yolo 任务 模式 参数参数之间用空格分隔。下面这张表覆盖日常 90% 的用法你想做什么敲什么用 COCO 子集训练一个检测模型跑 10 个 epochyolo train datacoco8.yaml modelyolov8n.pt epochs10 lr00.01对图片、视频或在线视频源做预测yolo predict modelyolov8n.pt sourcehttps://youtu.be/LNwODJXcvt4 imgsz320在数据集上验证模型精度yolo val modelyolov8n.pt datacoco8.yaml batch1 imgsz640把分类模型导出为 ONNX固定 224×128 输入yolo export modelyolov8n-cls.pt formatonnx imgsz224,128实时画面里统计经过的人数yolo solutions count showTrue监测健身动作如俯卧撑计数yolo solutions workout showTrue其中coco8.yaml是仓库自带的小数据集配置位于 ultralytics/cfg/datasets/专门给新手练手用yolov8n.pt中的n表示网络最小的 nano 版本速度最快适合先跑通再换更大的模型。避坑清单3 个高频问题怎么解症状 1装的时候 PyTorch 报错或装到 CPU 版原因PyTorch 的安装与你的系统、CUDA 版本强相关让 ultralytics 自动代劳经常翻车。 解决先单独装 PyTorch再装 ultralyticspip install torch torchvision症状 2服务器上报libGL.so.1之类的共享库缺失原因默认 OpenCV 依赖桌面图形库无界面的 Linux 服务器上没有。 解决卸载图形版换无界面版pip uninstall opencv-python pip install opencv-python-headless症状 3明明有显卡程序却在 CPU 上跑原因装的 PyTorch 与本机 CUDA 版本不匹配框架自动回退到 CPU。 解决对照显卡驱动支持的 CUDA 版本重装对应 PyTorch装完用一行代码确认python -c import torch; print(torch.cuda.is_available())打印True才算通过。下一步往哪走想看完整的安装选项含各种 Docker 镜像变体读官方快速入门Docker 细节在 Docker 指南。想系统了解各模型YOLOv8 / YOLO11 / YOLO26 等的差别从 docs/en/models/ 目录的模型文档开始。代码层面想深入直接翻 ultralytics/ 源码目录engine/是训练与预测的主流程nn/modules/里能看到网络每一层的实现。下一个建议技能点把yolo train里的epochs、imgsz、lr0各调一档对比训练曲线你就真正入门了。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Ultralytics YOLO 目标检测框架快速上手一条命令装好10 分钟跑通第一个模型【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralyticsUltralytics YOLO 是一套基于 PyTorch 的目标检测框架同时覆盖实例分割、语义分割、图像分类、姿态估计和物体跟踪等任务。读完这篇指南你会知道如何把它装进环境、如何确认装对了以及训练、预测、导出这些日常操作该敲什么命令。5 分钟装好一条命令 一句验证绝大多数情况下你只需要一条命令pip install ultralytics它会自动把依赖全部装齐。装完立刻验证一下yolo --help能正常打印出帮助信息就说明yolo这个命令行入口已经就绪。接下来随便丢一张图给它试试yolo predict modelyolov8n.pt sourceultralytics/assets/zidane.jpg跑通之后你就能得到一张带检测框的结果图——这就是这个框架最典型的工作方式给模型、给图像返回检测目标的结果。4 种装法哪种适合你不知道选哪种对号入座即可。每种方式各留关键命令细节可在快速入门文档里查。你的情况推荐方式关键命令普通用户想最快跑起来Pip 安装pip install ultralytics已经用 Anaconda 管环境Conda 安装conda install -c conda-forge ultralytics需要环境隔离、给别人复现Docker 镜像sudo docker pull ultralytics/ultralytics:latest再sudo docker run -it --ipchost --gpus all ultralytics/ultralytics:latest启动要改源码、参与开发克隆仓库安装先git clone https://gitcode.com/GitHub_Trending/ul/ultralytics进入目录后pip install -e .-e表示可编辑模式改代码即时生效几个容易踩的点顺带说清用 GPU 训练Docker 运行命令里的--gpus all负责把显卡透传进容器去掉它就只能在 CPU 上跑。没显卡拉镜像时选 CPU 版本即可仓库里 docker/ 目录下能直接看到 CPU、ARM64、Jetson 等各种镜像的定义。Conda CUDA 用户最好把 PyTorch 和 ultralytics 写在同一条命令里装让 conda 一次性解决依赖冲突例如conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda11.8 ultralytics进阶玩家自己控制依赖想自己挑依赖版本pip install ultralytics --no-deps可以只装主包不装依赖之后手动补齐。想基于自己的分支装把依赖清单里不合你环境的包改掉比如服务器场景下常见的把 opencv-python 换成无界面版本然后从你的分支直接安装pip install githttps://gitcode.com/GitHub_Trending/ul/ultralytics.git你的分支名这一行也能直接写进requirements.txt用来锁定整个项目的安装源。常用命令速查你想做什么就敲什么yolo命令的通用结构是yolo 任务 模式 参数参数之间用空格分隔。下面这张表覆盖日常 90% 的用法你想做什么敲什么用 COCO 子集训练一个检测模型跑 10 个 epochyolo train datacoco8.yaml modelyolov8n.pt epochs10 lr00.01对图片、视频或在线视频源做预测yolo predict modelyolov8n.pt sourcehttps://youtu.be/LNwODJXcvt4 imgsz320在数据集上验证模型精度yolo val modelyolov8n.pt datacoco8.yaml batch1 imgsz640把分类模型导出为 ONNX固定 224×128 输入yolo export modelyolov8n-cls.pt formatonnx imgsz224,128实时画面里统计经过的人数yolo solutions count showTrue监测健身动作如俯卧撑计数yolo solutions workout showTrue其中coco8.yaml是仓库自带的小数据集配置位于 ultralytics/cfg/datasets/专门给新手练手用yolov8n.pt中的n表示网络最小的 nano 版本速度最快适合先跑通再换更大的模型。避坑清单3 个高频问题怎么解症状 1装的时候 PyTorch 报错或装到 CPU 版原因PyTorch 的安装与你的系统、CUDA 版本强相关让 ultralytics 自动代劳经常翻车。 解决先单独装 PyTorch再装 ultralyticspip install torch torchvision症状 2服务器上报libGL.so.1之类的共享库缺失原因默认 OpenCV 依赖桌面图形库无界面的 Linux 服务器上没有。 解决卸载图形版换无界面版pip uninstall opencv-python pip install opencv-python-headless症状 3明明有显卡程序却在 CPU 上跑原因装的 PyTorch 与本机 CUDA 版本不匹配框架自动回退到 CPU。 解决对照显卡驱动支持的 CUDA 版本重装对应 PyTorch装完用一行代码确认python -c import torch; print(torch.cuda.is_available())打印True才算通过。下一步往哪走想看完整的安装选项含各种 Docker 镜像变体读官方快速入门Docker 细节在 Docker 指南。想系统了解各模型YOLOv8 / YOLO11 / YOLO26 等的差别从 docs/en/models/ 目录的模型文档开始。代码层面想深入直接翻 ultralytics/ 源码目录engine/是训练与预测的主流程nn/modules/里能看到网络每一层的实现。下一个建议技能点把yolo train里的epochs、imgsz、lr0各调一档对比训练曲线你就真正入门了。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
