tang7mj的博客

COCO数据集是一个大规模的对象检测、分割和标注数据集，设计用于促进对象类别的学术研究，常用于检测计算机视觉模型的标准实验。它是对象检测、分割和姿态估计任务的基础数据集，应用应用于访问和基准评估。

Argoverse数据集是一个设计用于支持自动驱动研究的数据集，包括3D追踪、运动预测和双相深度估计等任务。这个数据集由Argo AI发布，提供了带有高分辨率图像、LiDAR点云和地图数据的高质量感知数据。Argoverse数据集的*.zip文件之前与Argo AI关闭后从Amazon S3下架，但我们已为您提供在Google Drive上的手动下载。

Ultralytics YOLO 格式是用于在训练项目中定义数据集的结构化配置。它涉及设置训练、验证和测试图像以及相应标签的路径。

欢迎来到 Ultralytics Explorer API 的示例笔记本！这个笔记本是使用 Ultralytics 进行数据集探索的起点，您可以利用语义搜索的强大功能探索数据集中的各种资源。使用开箱即用的工具，您可以通过向量搜索或 SQL 查询来检查特定类型的标签。希望这个笔记本中的资源可以帮助您最大化 Ultralytics 的使用效果。请浏览 Explorer 文档了解详细信息，在 GitHub 上提出问题以获取支持，并加入我们的 Discord 社区进行问题讨论！只需，然后在终端中运行。

Ultralytics Explorer GUI 是一个强大的界面，通过 Ultralytics Explorer API 解锁高级数据探索功能。它允许您运行语义/向量相似性搜索、SQL 查询，并通过 Ask AI 功能使用自然语言查询。注意。

Ultralytics Explorer API 是一个用于探索数据集的 Python API。它支持通过 SQL 查询、向量相似性搜索和语义搜索来过滤和搜索您的数据集。

Ultralytics为各种计算机视觉任务提供了丰富的数据集支持，包括检测、实例分割、姿态估计、分类和多目标跟踪。以下是主要的Ultralytics数据集列表，以及每个计算机视觉任务和相应数据集的概述。

当您的模型完成训练和验证后，下一步就是评估其在各种现实场景中的表现。Ultralytics YOLO11的基准测试模式通过提供一个强大的框架，用于评估模型在各种导出格式下的速度和准确性。

在视频分析中，多目标跟踪包括识别物体并在多个视频帧中为每个检测到的物体保持唯一ID。Ultralytics YOLO通过提供实时跟踪和对象ID来支持这一点，方便安全监控和体育分析等任务。系统使用如BoT-SORT和ByteTrack的跟踪器，可以通过YAML文件进行配置。

这一部分导出我还没用到。

在机器学习和计算机视觉的世界里，将视觉数据解释成有意义的信息叫做“推断”或“预测”。Ultralytics YOLO11 提供了一个强大的推断模式，设计用于高性能、实时推断，可应用于多种数据源。观看：如何在自定义项目中提取 Ultralytics YOLO 模型的输出。

这一部分在我看来就是他们公司推销自己了。

使用 Train 模式来训练自定义目标检测模型。需要准备以 YOLO 格式标注的数据集，包含图像和对应的标注文件。# 加载预训练的 YOLO 模型# 开始训练。