@@ -33,7 +33,7 @@ mamba activate pytorch
3333
3434### 安装
3535
36- [ 官方快速入门手册] ( https://docs.ultralytics.com/zh/ quickstart/ ) 推荐使用 pip 安装
36+ [ 官方快速入门手册] ( https://docs.ultralytics.com/quickstart/ ) 推荐使用 pip 安装
3737
3838``` sh
3939pip install ultralytics
@@ -119,7 +119,7 @@ exit()
119119
120120#### VSCode
121121
122- 推荐使用 * VSCode* 来编写 Python 代码,因为 ~~ 我喜欢~~ 官方力荐且制作了 [ 相关拓展] ( https://docs.ultralytics.com/zh/ integrations/vscode/ )
122+ 推荐使用 * VSCode* 来编写 Python 代码,因为 ~~ 我喜欢~~ 官方力荐且制作了 [ 相关拓展] ( https://docs.ultralytics.com/integrations/vscode/ )
123123
124124可以在 VSCode 中安装 [ Ultralytics Snippets] ( https://marketplace.visualstudio.com/items?itemName=Ultralytics.ultralytics-snippets ) 这个拓展。顾名思义,此拓展就是提供了一些代码片段(Snippets),不安装并不影响正常使用。
125125
@@ -131,7 +131,7 @@ YOLO 有两种用法,分别是 `Python` 和 `CLI`
131131
132132通过 ` from ultralytics import YOLO ` 来导入 YOLO 库。
133133
134- 该库的接口很多,建议阅读 [ 官方文档] ( https://docs.ultralytics.com/zh/ usage/python/ ) 。
134+ 该库的接口很多,建议阅读 [ 官方文档] ( https://docs.ultralytics.com/usage/python/ ) 。
135135
136136### CLI
137137
@@ -145,9 +145,9 @@ yolo TASK MODE ARGS
145145
146146- ** TASK** (可选)是以下之一 ` detect/segment/classify/pose/obb ` 。如果未明确传递,YOLO 将尝试推断 TASK。` detect ` 是目标检测,` segment ` 是语义分割,其余的我没用过。
147147- ** MODE** (必需)是以下之一 ` train/val/predict/export/track/benchmark ` 。` train ` 是训练,` val ` 是验证,` predict ` 是预测,` export ` 是导出,` benchmark ` 是基准测试,剩下的那个我没用过。
148- - ** ARGS** (可选)是任意数量的自定义 ` arg=value ` 键值对,例如 ` imgsz=320 ` ,用于覆盖默认值。这部分较为复杂,不同的 TASK 配置差别极大,建议参考 [ 官方配置说明] ( https://docs.ultralytics.com/zh/ usage/cfg/ ) 。
148+ - ** ARGS** (可选)是任意数量的自定义 ` arg=value ` 键值对,例如 ` imgsz=320 ` ,用于覆盖默认值。这部分较为复杂,不同的 TASK 配置差别极大,建议参考 [ 官方配置说明] ( https://docs.ultralytics.com/usage/cfg/ ) 。
149149
150- 更详细的参考请阅读 [ 官方文档] ( https://docs.ultralytics.com/zh/ usage/cli/ )
150+ 更详细的参考请阅读 [ 官方文档] ( https://docs.ultralytics.com/usage/cli/ )
151151
152152### 示例
153153
@@ -187,7 +187,7 @@ yolo settings datasets_dir="datasets"
187187> [ !Note] - 阅读官方文档
188188> 仅展示使用 CLI 进行训练和预测的示例。使用 Python 方法差不多,可以参考部分内容。
189189>
190- > 更详细的示例请阅读官方文档,包括 [ CLI 示例] ( https://docs.ultralytics.com/zh/ usage/cli/ ) 和 [ Python 示例] ( https://docs.ultralytics.com/zh /usage/python/ )
190+ > 更详细的示例请阅读官方文档,包括 [ CLI 示例] ( https://docs.ultralytics.com/usage/cli/ ) 和 [ Python 示例] ( https://docs.ultralytics.com/usage/python/ )
191191
192192##### 训练
193193
@@ -225,7 +225,7 @@ names:
225225yolo detect train data=' example.yaml' model=yolo11n.pt epochs=10 imgsz=640
226226```
227227
228- 这会运行目标检测的模型训练,其中数据集是 ` datasets/example ` ,在 ` yolo11n.pt ` 模型的基础上训练,并以 ` epochs=10 imgsz=640 ` 覆盖默认参数值。更详细的说明请参考 [ 官方文档 - 训练] ( https://docs.ultralytics.com/zh/ modes/train/ ) 。
228+ 这会运行目标检测的模型训练,其中数据集是 ` datasets/example ` ,在 ` yolo11n.pt ` 模型的基础上训练,并以 ` epochs=10 imgsz=640 ` 覆盖默认参数值。更详细的说明请参考 [ 官方文档 - 训练] ( https://docs.ultralytics.com/modes/train/ ) 。
229229
230230训练的结果保存在 ` runs/detect ` 目录下。
231231
@@ -237,6 +237,6 @@ yolo detect train data='example.yaml' model=yolo11n.pt epochs=10 imgsz=640
237237yolo segment predict model=yolo11n-seg.pt source=' data' imgsz=320
238238```
239239
240- 这会运行语义分割的图片预测,其中数据来源是 ` data ` ,而模型权重使用 ` yolo11n-seg.pt ` ,并以 ` imgsz=320 ` 覆盖默认参数值。更详细的说明请参考 [ 官方文档 - 预测] ( https://docs.ultralytics.com/zh/ modes/predict/ ) 。
240+ 这会运行语义分割的图片预测,其中数据来源是 ` data ` ,而模型权重使用 ` yolo11n-seg.pt ` ,并以 ` imgsz=320 ` 覆盖默认参数值。更详细的说明请参考 [ 官方文档 - 预测] ( https://docs.ultralytics.com/modes/predict/ ) 。
241241
242242训练的结果保存在 ` runs/segment ` 目录下。
0 commit comments