ultralytics

【ByteTrack 04】多轨迹算法ByteTrack改进点目标：只改进轨迹算法（bytetrack/ 核心代码），检测器不是目标。测试视频与场景对应：dense.mp4（密集交叉）、turn.mp4（转弯减速）。

【StrongSort 03】多轨迹算法StrongSort改进点StrongSORT（论文 StrongSORT: Make DeepSORT Great Again）在 DeepSORT 基础上提出的四项在线改进 + 一项相机运动补偿。本工程全部实现为可开关参数，五项统一默认开启（测试脚本加对应 --no-nsa / --no-ema / --no-mc / --no-wo-c / --no-ecc 关闭）。全部改进都在线逐帧完成，无离线后处理（原版 StrongSORT 的 AFLink、GSI 未引入）。

【AI视觉软件 03】基于 Ultralytics + DeepSORT 的多目标跟踪与改进（支持YOLO全系列，重点车跟踪）车流统计是智能交通分析的基础，流量、流速、行驶轨迹都建立在"每辆车被持续稳定跟住"之上，这一步就是多目标跟踪（MOT），业界通用方案是"检测器 + 跟踪器"两段式。两段式里有一条经典路线 DeepSORT：只保留高置信度检测框，给每个框提取外观特征（ReID），靠"运动预测 + 外观相似度"把前后帧的目标关联起来。本项目重点跟的是车——而 DeepSORT 是在行人数据集上设计调参的（外观模型直接用行人重识别权重），车辆场景的车流密集交叉、转弯减速、遮挡形态都与行人不同，直接套用会遇到车辆场景特有的问题。

YOLO开发环境搭建vscode下载- CSDN搜索有很多很详细的VSCode下载教程个人认为不同的项目下使用不同的python环境是很重要的

꧁执笔小白꧂

详细pyenv+venv+pip安装ultralytics‌pyenv‌：第三方版本管理器，‌只管理Python解释器版本‌，能在一台机器上安装切换多个Python版本（如3.8、3.10、3.11），不修改系统原生Python。

Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models——统一的实时端到端视觉模型《Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models》的核心内容是提出了新一代YOLO系列模型——YOLO26，旨在解决现有实时目标检测模型在推理效率、训练成本、小物体检测和开放词汇扩展等方面的关键局限性。

CV-deeplearning

YOLO26 正式发布！6 大任务一战封神，n 模型 mAP 40.9 跑 1.7ms，从检测到分割到姿态一条龙💡 目标检测选 YOLO，实例分割还是 YOLO，姿态估计也是 YOLO——Ultralytics 一手打造了 CV 界的"万能瑞士军刀"。YOLO26 全系模型已上线：5 档尺寸覆盖 n/s/m/l/x，目标检测、实例分割、语义分割、图像分类、姿态估计、旋转框检测 6 大任务一个框架全搞定。YOLO26n 检测 mAP 40.9、推理仅 1.7ms，YOLO26x 检测 mAP 57.5——又快又准的新王者！

学习python使用Ultralytics的YOLO26进行旋转框检测的基本用法Ultralytics的YOLO26模型提供专门的旋转框检测模型以支持旋转边界框检测，其主要预训练模型及参数如下表所示，其中的mAPtest50-95(e2e)指标指IoU从0.5到0.95多个阈值下的平均精度，用于评估评估模型在高难度、高精度需求下的性能，而mAPtest50(e2e)指标指在IoU=0.5单一阈值下的平均精度，用于快速对比基线模型，或对定位精度要求不高的任务。定向目标检测器的输出是一组旋转的边界框，这些边界框精确地包围了图像中的目标，以及每个框的类别标签和置信度分数。当目标以各种

学习python使用Ultralytics的YOLO26进行分类的基本用法Ultralytics的YOLO26模型提供专门的分类模型以支持图像分类，其主要预训练模型及参数如下表所示，其中的acc top1指标是指模型预测的第一名类别是否正确，用于评估模型的最优答案的准确率，而acc top5指标是指正确答案是否在模型预测的前五名类别中，用于评估模型的候选答案的准确率。图像分类模型的输出是单个类别标签和一个置信度分数。YOLO26的分类模型的输出数据形状是长度为c的一维数组，c为基于imagenet数据集的1000个预训练分类，可以通过result.names属性获取全部分

学习python使用Ultralytics的YOLO26进行分割的基本用法Ultralytics的YOLO26模型提供专门的分割模型以支持实例分割，其主要预训练模型及参数如下表所示，其中的mAPbox指标用于评估模型目标检测的能力，即预测的边界框（Bounding Box）与真实物体框的重合度，而mAPmask指标用于评估模型实例分割的能力，即预测的像素级轮廓掩码（Mask）与真实物体轮廓的重合度。实例分割模型的输出是一组掩码或轮廓，它们勾勒出图像中每个对象，以及每个对象的类别标签和置信度分数。YOLO26的实例分割模型的输出数据形状为[N, H, W]，也即result

学习python使用Ultralytics的YOLO26进行姿势估计的基本用法Ultralytics的YOLO26模型提供专门的姿势估计模型以支持姿势估计，其主要预训练模型及参数如下表所示，其中的"e2e" 代表端到端性能。姿势估计模型的输出是一组点，这些点代表图像中对象上的关键点，通常还包括每个点的置信度分数。YOLO26的姿势估计模型的输出数据形状为[N, K, D]，其中N为从图片中检测到的人数，K为每个人体的关节/特征点数量（关键点），由于预训练模型采用COCO格式，K通常为17，每个关键点代表人体不同的部位，下图为每个索引与其对应身体关节的映射关系，D为每个关键点的

ultralytics.nn.modules.head——head.py子模块代码详读head模块是Ultralytics YOLO项目的核心组件之一，定义了各种任务专用的神经网络头部模块。这些头部模块负责将骨干网络提取的特征转换为具体的预测输出，如边界框、类别概率、掩模系数、关键点等。

ultralytics.nn.autobackend——autobackend.py子模块代码详读autobackend模块是 Ultralytics YOLO 项目的核心推理后端，主要功能是自动检测和加载多种格式的模型文件，并提供一个统一的接口进行推理。它支持超过20种不同的模型格式，包括 PyTorch、ONNX、TensorRT、TensorFlow、CoreML 等，使得用户可以用同一个代码接口运行不同格式的模型。

ultralytics.utils.export——engine.py、imx.py、tensorflow.py各模型导出子模块代码详读这个export模块实现了Ultralytics YOLO项目的模型多种不同格式导出功能，主要包含：engine.py：核心格式转换引擎

Anaconda 搭建纯净 YOLO 训练环境（RTX3090 + Python3.10 + GPU+Ultralytics 版）以管理员身份运行 Anaconda Prompt，默认进入base环境。因清华源等镜像易出现连接重置问题，强制使用 Anaconda 官方源创建环境，执行命令：

YOLO26模型今日发布，致力于打造端到端计算范式的端侧AI新标杆在前面的博文中我们学习了YOLO26的论文，感兴趣的话可以自行移步阅读：《YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-time Object Detection——实时目标检测的关键架构增强与性能基准测试》

Jetson orin agx配置ultralytics 使用docker或conda以yolov8为例进行探索：https://www.jetson-ai-lab.com/tutorial_ultralytics#__tabbed_2_1

基于pycharm和anaconda的yolo简单部署测试目录基本环境准备（配环境）：1.1.conda安装1.2.conda虚拟环境1.3.pycharm配置conda编译器

开源项目实战学习之YOLO11：ultralytics-cfg-models-fastsam（九）👉 点击关注不迷路 👉 点击关注不迷路 👉 点击关注不迷路

云卷云舒___________

✅ Ultralytics YOLO 训练(Train)时实时获取 COCO 指标(AP)：2025最新配置与代码详解 (小白友好 + B站视频)✅ YOLO获取COCO指标(4): 训练(Train)启用COCO API评估（实时监控AP指标）| 发论文必看！ | Ultralytics | 小白友好