Ultralytics YOLO27： 加入候补名单。
Get Started
从产品构想到首次 YOLO26 预测
基础学习路径初级 约 3 小时 10 节课程期末考试 · 证书

计算机视觉基础

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。

作者 Ultralytics Academy

开始课程登录以保存学习进度
你将学到什么

界定计算机视觉问题，选择合适的任务和标签，检查数据是否符合现实情况，并在训练前明确什么才算“好”。

  • 把产品构想转化为三行任务规格说明，并将业务规则写在代码中，而不是交给模型处理。

  • 为输出匹配七项任务之一：分类、检测、实例分割、语义分割、深度估计、姿态或 OBB。

  • 解读检测器输出，并根据各类错误的代价设置置信度和 IoU 阈值。

  • 审查真实数据集，找出覆盖缺口、错误标签，以及在不同数据集划分间泄漏的近重复图像。

  • 结合精确率、召回率、mAP50-95、各类别 AP 和混淆矩阵进行分析，从而决定是发布、迭代还是重新思考。

你将构建什么

  • 一份适用于你项目的任务规格说明，其中包含一条基于 YOLO26 输出的代码决策规则。

  • 针对真实数据集的数据集审计和标签检查，以及按优先级排序的数据收集计划。

  • 一项数据泄漏检查和一套分组划分，确保近乎相同的图像不会进入验证集。

  • 一份评估结果解读，指出瓶颈类别和发布阈值。

  • 在你自己的图像上首次进行 YOLO26 运行，并根据你的规格说明检查结果。

先修条件

  • 无需计算机视觉经验——这些概念本身就能讲清楚。

  • 可选但建议准备：Python 3.10+ 和 pip install ultralytics，用于运行示例。所有内容都能在笔记本电脑 CPU 上于几秒内运行完毕。

课程内容

4 个模块 · 10 节课程

模块 1

界定问题
1

界定问题

把模糊的产品构想转化为三行任务规格说明，并将业务规则保留在代码中，这样你无需重新训练就能修改规则。

模块 2

选择任务
2

七项视觉任务

将输出行映射到分类、检测、实例分割、语义分割、深度估计、姿态或 OBB，并选择用于起步的 YOLO26 权重。

3

了解目标检测

读取检测器的输出——类别、边界框、置信度——并根据不同错误的代价设定置信度和 IoU 阈值。

4

框与掩码：什么时候你才真正需要分割

在真实图像上衡量掩码相比框多提供了什么，并根据下游使用方判断项目是否需要形状信息。

5

姿态估计与 OBB

读取 YOLO26 的关键点和旋转框，在其基础上编写规则，并识别姿态或角度何时才是真正的信号。

模块 3

数据集与标签
6

反映现实的数据集

在标注更多数据前，先审查真实数据集的覆盖缺口，并将这些缺口转化为包含难负样本的数据采集计划。

7

标注质量

了解 YOLO 标签的内容，检查标签文件中的错误行，并通过指南和量化校准轮次确保标注人员保持一致。

模块 4

查看指标
8

如实反映情况的数据集划分

找出训练集和验证集之间泄漏的近重复图像，并按部署时会出现新样本的单位进行划分。

9

如实解读检测指标

运行验证，将精确率、召回率、mAP50-95、各类别 AP 和混淆矩阵结合起来阅读，并根据目标选择交付阈值。

10

从实验室到生产环境

安装 Ultralytics，在你自己的图像上运行 YOLO26，根据规范检查输出，然后选择下一步。