使用 Ultralytics YOLO 学习计算机视觉

了解构建可用视觉系统背后的判断方法——如何界定任务、在 Ultralytics YOLO 的七项任务中做出选择、审查数据和标签、合理划分数据集并解读指标；课程还提供可运行的 YOLO26 示例，使用真实图像和数据集进行演示。

这是一份动手实践指南，涵盖训练前的工作：将业务目标转化为验收测试，规划并采集有代表性的数据，保持标注一致，用脚本审计质量，划分数据集以避免泄漏，调整数据增强，并通过准备情况检查来决定是否开始首次 Ultralytics YOLO26 微调。

从全新安装开始，将 Ultralytics YOLO26 用于自定义训练、验证和导出检测器。你将对图像进行预测、构建真实数据集、训练并诊断药丸检测器、在视频上运行带跟踪的模型，并导出为 ONNX，同时验证其结果与 PyTorch 一致。每一步都在笔记本电脑 CPU 上通过 Python 和 CLI 执行，并展示真实输出。关于数据集规划、采集和标注的内容，请参阅《构建高性能 YOLO 数据集》。

你已经会训练检测器。Ultralytics YOLO 支持七种视觉任务，本课程会讲解检测之外最常见的五种——实例分割与语义分割、姿态、定向边界框和分类——涵盖从标签格式和训练，到用代码读取结果、串联模型，以及各任务的评估和导出。第七种任务——深度估计——包含在任务规划以及评估和导出课程中。

将训练好的 Ultralytics YOLO 模型投入生产：选择运行时、导出并验证模型、针对硬件进行优化、跟踪目标、构建计数流程、运行多个视频流，并在用户发现问题之前捕捉数据漂移。

在 Ultralytics Platform 上运行一个真实的目标检测项目：制定预算、导入并标注数据、验证数据划分无误、训练并比较运行结果、部署专用端点、监控准确率，并自动化再训练循环。