# Ultralytics YOLO 教程概览

- [YOLO常见问题](yolo-common-issues) ⭐ 推荐：解决与Ultralytics YOLO模型合作时最常遇到的问题的实用解决方案和故障排除技巧。
- [YOLO性能指标](yolo-performance-metrics) ⭐ 重要：了解用于评估YOLO模型性能的关键指标，如mAP、IoU和[F1得分](https://www.ultralytics.com/glossary/f1-score)。包括提高检测精度和速度的实用示例和提示。
- [模型部署选项](model-deployment-options)：概述了YOLO[模型部署](https://www.ultralytics.com/glossary/model-deployment)格式，例如ONNX、OpenVINO和TensorRT，每种格式的优缺点以指导您的部署策略。
- [K折交叉验证](kfold-cross-validation) 🚀 新功能：学习如何使用K折交叉验证技术提高模型泛化能力。
- [超参数调优](hyperparameter-tuning) 🚀 新功能：发现如何通过使用Tuner类和遗传进化算法微调超参数来优化您的YOLO模型。
- [SAHI分片推理](sahi-tiled-inference) 🚀 新功能：全面指南，介绍如何利用SAHI的切片推理功能与YOLO11结合，在高分辨率图像中进行对象检测。
- [AzureML快速入门](azureml-quickstart) 🚀 新功能：在Microsoft的Azure [机器学习](https://www.ultralytics.com/glossary/machine-learning-ml)平台上启动并运行Ultralytics YOLO模型。学习如何在云中训练、部署和扩展您的目标检测项目。
- [Conda快速入门](conda-quickstart) 🚀 新功能：一步步指南，设置一个[Conda](https://anaconda.org/conda-forge/ultralytics)环境用于Ultralytics。学习如何使用Conda高效地安装和开始使用Ultralytics包。
- [Docker快速入门](docker-quickstart) 🚀 新功能：完整指南，设置并使用Ultralytics YOLO模型与[Docker](https://hub.docker.com/r/ultralytics/ultralytics)。学习如何安装Docker，管理GPU支持，并在隔离的容器中运行YOLO模型，以便一致的开发和部署。
- [Raspberry Pi](raspberry-pi) 🚀 新功能：快速入门教程，将YOLO模型运行在最新的Raspberry Pi硬件上。
- [NVIDIA Jetson](nvidia-jetson) 🚀 新功能：快速入门指南，用于在NVIDIA Jetson设备上部署YOLO模型。
- [NVIDIA Jetson上的DeepStream](deepstream-nvidia-jetson) 🚀 新功能：快速入门指南，使用DeepStream和TensorRT在NVIDIA Jetson设备上部署YOLO模型。
- [Triton推理服务器集成](triton-inference-server) 🚀 新功能：深入了解Ultralytics YOLO11与NVIDIA的Triton推理服务器的集成，实现可扩展且高效的深度学习推理部署。
- [YOLO线程安全推理](yolo-thread-safe-inference) 🚀 新功能：执行YOLO模型推理时的线程安全指南。学习线程安全的重要性及最佳实践，以防止竞争条件并确保一致的预测。
- [隔离分割对象](isolating-segmentation-objects) 🚀 新功能：逐步食谱和解释，如何使用Ultralytics分割从图像中提取和/或隔离对象。
- [Raspberry Pi上的Edge TPU](coral-edge-tpu-on-raspberry-pi)：[Google Edge TPU](https://coral.ai/products/accelerator)加速了在[Raspberry Pi](https://www.raspberrypi.com/)上的YOLO推理。
- [在终端中查看推理图像](view-results-in-terminal)：使用VSCode的集成终端查看在使用远程隧道或SSH会话时推理结果。
- [OpenVINO延迟与吞吐量模式优化](optimizing-openvino-latency-vs-throughput-modes) - 学习延迟和吞吐量优化技术，以达到最佳的YOLO推理性能。
- [计算机视觉项目的步骤](steps-of-a-cv-project) 🚀 新功能：了解计算机视觉项目中涉及的关键步骤，包括定义目标、选择模型、准备数据和评估结果。
- [定义计算机视觉项目的目标](defining-project-goals) 🚀 新功能：走过如何有效定义清晰且可测量的计算机视觉项目目标。学习明确的问题陈述的重要性以及它如何为您的项目创建路线图。
- [数据收集和注释](data-collection-and-annotation) 🚀 新功能：探索收集和注释数据的工具、技术和最佳实践，为计算机视觉模型创建高质量输入。
- [预处理注释数据](preprocessing_annotated_data) 🚀 新功能：学习关于使用YOLO11在计算机视觉项目中预处理和增强图像数据的知识，包括规范化、数据集增强、分割和探索性数据分析（EDA）。
- [模型训练提示](model-training-tips) 🚀 新功能：探索优化[批处理大小](https://www.ultralytics.com/glossary/batch-size)，使用[混合精度](https://www.ultralytics.com/glossary/mixed-precision)，应用预训练权重等技巧，使训练计算机视觉模型变得轻松。
- [模型评估和微调见解](model-evaluation-insights) 🚀 新功能：深入了解评估和微调计算机视觉模型的策略和最佳实践。学习迭代过程以完善模型达到最佳结果。
- [模型测试指南](model-testing) 🚀 新功能：全面指南，测试您的计算机视觉模型在现实场景中的表现。学习如何验证准确性、可靠性和符合项目目标的性能。
- [模型部署最佳实践](model-deployment-practices) 🚀 新功能：走过高效部署计算机视觉项目中模型的技巧和最佳实践，重点关注优化、故障排除和安全性。
- [维护您的计算机视觉模型](model-monitoring-and-maintenance) 🚀 新功能：了解监控、维护和记录计算机视觉模型的关键实践，以确保准确性、发现异常并减轻数据漂移。
- [ROS快速入门](ros-quickstart) 🚀 新功能：学习如何将YOLO与机器人操作系统（ROS）集成，用于机器人应用中的实时对象检测，包括点云和深度图像。