-
Notifications
You must be signed in to change notification settings - Fork 0
Home
lw-byte edited this page May 24, 2026
·
1 revision
版本: 8.3.202 | 许可证: AGPL-3.0 | Python >= 3.8 | PyTorch >= 1.8.0
ultralytics-main/
├── .github/ # GitHub Actions CI/CD 工作流
├── datasets/ # 用户数据集目录
├── docker/ # Docker 容器化部署配置
├── docs/ # MkDocs 文档源码
├── examples/ # 示例代码和 Jupyter Notebook 教程
├── runs/ # 训练输出默认存储目录
├── tests/ # pytest 测试套件
├── ultralytics/ # ★ 核心源代码包 ★
├── pyproject.toml # 项目构建/打包配置（入口点定义）
├── mkdocs.yml # MkDocs 文档构建配置
├── README.md / README.zh-CN.md
├── LICENSE # AGPL-3.0
└── yolo11n.pt # 预训练权重文件示例
| 文件/目录 | 用途 |
|---|---|
pyproject.toml |
定义包元数据、依赖、CLI 入口点 (yolo 命令) |
ultralytics/ |
全部核心 Python 源码 |
tests/ |
完整的 pytest 测试套件 |
docker/ |
CPU/GPU Dockerfile |
examples/ |
使用教程与示例 |
ultralytics/
├── __init__.py # 包初始化，版本号，暴露 YOLO/SAM 等类
├── cfg/ # 配置系统
├── data/ # 数据处理
├── engine/ # 引擎（训练/预测/验证/导出）
├── models/ # 模型定义（YOLO/SAM/FastSAM/RT-DETR/NAS）
├── nn/ # 神经网络原语（卷积块、注意力、检测头等）
├── trackers/ # 目标跟踪算法（ByteTrack/BOT-SORT）
├── hub/ # Ultralytics Hub 云服务集成
├── solutions/ # 预置解决方案（计数/热力图/队列管理等）
└── utils/ # 通用工具（日志/指标/绘图/NMS/回调等）
入口: cfg/__init__.py (39 KB, ~1033 行)
cfg/
├── __init__.py # CLI entrypoint(), TASKS/MODES 定义, 配置加载
├── default.yaml # 全局默认超参数配置 (131行)
├── datasets/ # 数据集 YAML 配置 (~35个)
│ ├── coco.yaml / coco128.yaml / coco8.yaml
│ ├── coco8-seg.yaml / coco8-pose.yaml / dota8.yaml
│ ├── ImageNet.yaml / VOC.yaml / VisDrone.yaml
│ └── ... (更多公开数据集)
├── models/ # 模型架构 YAML 配置 (~60个)
│ ├── 11/ # YOLO11 系列: yolo11.yaml, yolo11-seg, yolo11-pose, yolo11-obb, yolo11-cls, yoloe-11*
│ ├── v8/ # YOLOv8 系列: yolov8*, yolov8-world, yolov8-rtdetr, yoloe-v8*
│ ├── v10/ # YOLOv10 系列: yolov10{n,s,m,l,x}
│ ├── v9/ # YOLOv9 系列
│ ├── v12/ # YOLO12 系列
│ ├── v5/ # YOLOv5 系列 (兼容)
│ ├── v3/ # YOLOv3 系列 (兼容)
│ ├── v6/ # YOLOv6 系列 (兼容)
│ └── rt-detr/ # RT-DETR: rtdetr-{l,x,resnet50,resnet101}
└── trackers/ # 跟踪器配置
├── bytetrack.yaml
└── botsort.yaml
核心常量:
MODES = {"train", "val", "predict", "export", "track", "benchmark"}
TASKS = {"detect", "segment", "classify", "pose", "obb"}| 映射字典 | 用途 |
|---|---|
TASK2DATA |
任务 → 默认数据集配置 |
TASK2MODEL |
任务 → 默认模型权重 |
TASK2METRIC |
任务 → 主要评估指标 |
SOLUTION_MAP |
解决方案名称 → 类名映射 |
关键函数:
-
entrypoint(debug="")— CLI 主入口，解析yolo命令行调用 -
get_cfg(cfg, args)— 合并默认配置与用户参数
engine/
├── __init__.py
├── model.py # Model 统一 API 类 (52KB) ★ 核心入口 ★
├── trainer.py # BaseTrainer 训练器基类 (40KB)
├── predictor.py # BasePredictor 预测器基类 (22KB)
├── validator.py # BaseValidator 验证器基类 (16KB)
├── exporter.py # Exporter 模型导出器 (67KB) — ONNX/TensorRT/CoreML/TF等
├── tuner.py # Tuner 超参数调优 (21KB)
└── results.py # Results 预测结果封装类 (69KB)
所有模型的统一 API 入口，提供：
| 方法 | 说明 |
|---|---|
Model.train() |
启动训练，委托给对应任务的 Trainer |
Model.predict() |
执行推理，委托给 Predictor |
Model.val() |
运行验证，委托给 Validator |
Model.export() |
导出模型格式，委托给 Exporter |
Model.track() |
目标跟踪（封装 predict + tracker） |
Model.benchmark() |
性能基准测试 |
使用方式:
from ultralytics import YOLO
model = YOLO("yolo11n.pt") # 加载模型
model.train(data="coco8.yaml", epochs=100) # 训练
results = model.predict(source="image.jpg") # 预测训练流程控制：
- 初始化: 设备选择 / DDP 分布式 / 数据加载器构建
- 训练循环: 前向传播 → 损失计算 → 反向传播 → 优化器步骤 → 学习率调度
- 回调系统: 训练中触发 callbacks（TensorBoard/HUB/MLflow 等）
- 验证: 每 epoch 自动运行验证
- 保存: 最佳模型 / 最后 checkpoint / epoch 周期保存
-
关键方法:
train(),_setup_train(),_do_train(), _validate(),save_model()`
推理流程控制：
- 源加载: 图像/视频/流/摄像头等多种输入源
- 预处理: 尺寸调整 / 归一化 / 批处理
- 推理: 模型前向传播
- 后处理: NMS / 置信度过滤 / 结果封装
- 输出: Results 对象 / 可视化显示 / 保存文件
-
关键方法:
preprocess(),inference(),postprocess(),write_results()
支持的导出格式（10+ 种）：
| 格式 | 后缀 | 说明 |
|---|---|---|
| ONNX | .onnx |
通用开放格式 |
| OpenVINO | .xml/.bin |
Intel 推理优化 |
| TensorRT | .engine |
NVIDIA GPU 加速 |
| CoreML | .mlpackage |
Apple 设备原生 |
| TFLite | .tflite |
移动端/边缘设备 |
| TF SavedModel | _saved_model |
TensorFlow 服务端 |
| TF GraphDef | .pb |
TensorFlow frozen graph |
| TF Edge TPU | _edgetpu.tflite |
Google Coral |
| NCNN | .ncnnparam |
移动端高性能 |
| PaddlePaddle | _paddle |
百度框架 |
| RKNN | .rknn |
瑞芯微 NPU |
| IMX500 | .imx |
Sony IMX500 系列 |
| MPCT | .mpct |
MediaTek GenAI |
models/
├── __init__.py # 导出: YOLO, SAM, FastSAM, NAS, RTDETR
├── yolo/ # YOLO 模型系列 ★ 最主要 ★
│ ├── model.py # YOLO Model 类 (继承 engine.Model)
│ ├── detect/ # 目标检测任务
│ │ ├── predict.py # DetectionPredictor
│ │ ├── train.py # DetectionTrainer
│ │ └── val.py # DetectionValidator
│ ├── segment/ # 实例分割任务
│ │ ├── predict.py / train.py / val.py
│ ├── classify/ # 图像分类任务
│ │ ├── predict.py / train.py / val.py
│ ├── pose/ # 姿态估计任务
│ │ ├── predict.py / train.py / val.py
│ ├── obb/ # 旋转边界框 (Oriented Bounding Box)
│ │ ├── predict.py / train.py / val.py
│ ├── world/ # 开放词汇检测 (YOLOWorld)
│ │ ├── train.py / train_world.py
│ └── yoloe/ # YOLOE 端到端模型
│ ├── predict.py / train.py / train_seg.py / val.py
├── sam/ # Segment Anything Model
│ ├── model.py # SAM 模型类
│ ├── predict.py # SAM 预测器 (102KB, 大型)
│ ├── build.py # SAM 模型构建
│ ├── amg.py # 自动掩码生成 (AMG) 算法
│ └── modules/ # SAM 专用神经网络模块
│ ├── sam.py # SAM 核心模型
│ ├── encoders.py # 图像编码器 (ViT)
│ ├── decoders.py # 掩码解码器
│ ├── transformers.py # SAM Transformer
│ ├── tiny_encoder.py # Tiny 编码器
│ ├── blocks.py # 基础模块块
│ ├── memory_attention.py # 记忆注意力
│ └── utils.py # SAM 工具函数
├── fastsam/ # FastSAM 快速分割
│ ├── model.py / predict.py / val.py / utils.py
├── rtdetr/ # RT-DETR 实时检测 Transformer
│ ├── model.py / predict.py / train.py / val.py
├── nas/ # 神经架构搜索
│ ├── model.py / predict.py / val.py
└── utils/ # 模型工具
├── loss.py # 模型专用损失函数
└── ops.py # 模型专用操作
任务与模型对应关系:
| 任务 | 预测器 | 训练器 | 验证器 |
|---|---|---|---|
| detect | DetectionPredictor |
DetectionTrainer |
DetectionValidator |
| segment | SegmentationPredictor |
SegmentationTrainer |
SegmentationValidator |
| classify | ClassificationPredictor |
ClassificationTrainer |
ClassificationValidator |
| pose | PosePredictor |
PoseTrainer |
PoseValidator |
| obb | OBBPredictor |
OBBTrainer |
OBBValidator |
nn/
├── __init__.py # 导出: BaseModel, DetectionModel, ...
├── tasks.py # 模型任务解析器 (68KB, ~1813行) ★ 核心 ★
├── autobackend.py # 多框架推理后端 (40KB) — PyTorch/ONNX/TensorRT等
├── text_model.py # 文本编码器 (YOLOWorld 开放词汇用)
└── modules/ # 神经网络基础模块
├── __init__.py # 导出全部模块 (Conv, C2f, SPPF, Detect, ...)
├── conv.py # 卷积层 (20KB): Conv, DWConv, GhostConv, Conv2, ConvTranspose, Focus, RepConv...
├── block.py # 残差/聚合块 (68KB): Bottleneck, C1/C2/C3, C2f, C2fAttn, ELAN1, RepNCSPELAN4, HGBlock, ResNetLayer...
├── activation.py # 激活函数
├── transformer.py # Transformer 模块 (30KB): AIFI, LayerNorm, MLP, TransformerBlock, TransformerLayer...
├── head.py # 检测/分割头 (52KB): Detect, Segment, Pose, OBB, WorldDetect, v10Detect, YOLOEDetect, YOLOESegment, Classify...
└── utils.py # 模块工具函数
负责将 YAML 配置解析为完整的 PyTorch 模型：
-
解析 YAML → 构建
nn.Module层级结构 -
支持的任务模型:
-
DetectionModel— 目标检测 -
SegmentationModel— 实例分割 -
ClassificationModel— 图像分类 -
PoseModel— 姿态估计 -
OBBModel— 旋转框检测 -
WorldModel— 开放词汇检测 -
YOLOEModel— 端到端模型 -
RTDETRModel— Transformer 检测器 -
SAMModel/FastSAMModel— 分割模型 -
EnsembleModel— 集成模型
-
-
损失函数:
v8DetectionLoss,v8SegmentationLoss,v8PoseLoss,v8OBBLoss,v8ClassificationLoss,E2EDetectLoss
| 模块 | 类型 | 说明 |
|---|---|---|
Conv |
卷积 | Conv2d + BN + SiLU (标准卷积单元) |
DWConv |
卷积 | Depthwise Separable 卷积 |
GhostConv |
卷积 | Ghost 轻量卷积 |
RepConv |
卷积 | 可重参数化卷积（训练/推理解耦） |
Bottleneck |
块 | 标准残差瓶颈 (CSP/X 风格) |
C1/C2/C3 |
块 | CSP Bottleneck (1/2/3 个卷积) |
C2f |
块 | YOLOv11 默认骨干块（Cross Stage Partial + Focal） |
C2fAttn |
块 | C2f + 全局注意力 |
SPPF |
块 | 空间金字塔池化（快速版） |
Detect |
头 | YOLO 解耦检测头（Anchor-free） |
Segment |
头 | 分割头（原型掩码生成） |
Pose |
头 | 姿态估计头（关键点回归） |
AIFI |
Transformer | Attention-based FiLaM 模块 |
RTDETRDecoder |
Transformer | RT-DETR 解码器 |
统一的模型推理接口，支持：
-
PyTorch (
.pt) -
ONNX Runtime (
.onnx) -
TensorRT (
.engine) -
OpenVINO (
.xml) -
CoreML (
.mlpackage) -
TFLite (
.tflite) -
PaddlePaddle (
.pdlmodel) -
NCNN (
.ncnnparam) -
RKNN (
.rknn) - DNN (OpenCV)
data/
├── __init__.py # 导出数据集相关类
├── base.py # BaseDataset 基础数据集类 (19KB)
├── dataset.py # 具体数据集实现 (35KB)
│ # YOLODataset, GroundingDataset
│ # ClassificationDataset (ImageFolder风格)
│ # SemanticDataset, SemanticBinDataset
├── build.py # DataLoader 构建与推理源加载 (11KB)
├── loaders.py # 各种数据加载器 (31KB)
│ # LoadImages, LoadVideos, LoadStreams,
│ # LoadScreenshots, LoadSources
├── augment.py # 数据增强管线 (129KB!) ★ 最大文件之一 ★
├── converter.py # 数据格式转换 (31KB)
│ # COCO→YOLO, DOTA→YOLO, VOC→YOLO
│ # Auto-Orient, EXIF 信息提取, 图片压缩
├── utils.py # 数据处理辅助函数 (35KB)
├── annotator.py # 注释/标注绘制工具 (2.9KB)
├── split.py # 数据集随机分割策略 (5KB)
└── split_dota.py # DOTA 数据集专用分割 (12KB)
完整的数据增强管道，包括：
| 增强类型 | 操作 |
|---|---|
| 几何变换 | Mosaic (4图拼接), MixUp (图像混合), RandomPerspective (透视变换), CopyPaste (实例粘贴), CutOut |
| 颜色增强 | HSV 增强 (色相/饱和度/亮度), 随机灰度化, 高斯模糊, 中值模糊, 上下翻转, 左右翻转 |
| 其他 | Letterbox (缩放填充), Pad (填充), CropRandom (裁剪), Scale (缩放) |
| BBox 处理 | 随图像同步变换坐标, 边界约束, 裁剪过滤 |
utils/
├── __init__.py # 全局常量导出 (52KB!)
│ # ROOT, ASSETS, DEFAULT_CFG, LOGGER
│ # SETTINGS, OPERATORS, RANK, torch_utils...
├── checks.py # 环境检查 (34KB) — Python/GPU/依赖/字体/Postfix
├── torch_utils.py # PyTorch 工具 (40KB) — 模型选择/Profile/FLOPs/参数量
├── metrics.py # 评估指标 (67KB) — mAP/ConfusionMatrix/box/pose/seg/obb/classify
├── plotting.py # 绘图工具 (46KB) — 训练曲线/混淆矩阵/标注可视化/预测结果图
├── downloads.py # 下载工具 (22KB) — 模型权重下载/安全校验
├── loss.py # 损失函数 (38KB) — v8系列损失/BBox匹配
├── ops.py # 自定义算子 (26KB) — NMS/warmup/镜像填充/dist2bbox
├── nms.py # NMS 实现 (13KB) — 标准NMS/融合NMS/多类NMS
├── tal.py # 任务对齐分配 (20KB) — Task-Aligned Assigner
├── logger.py # 日志系统 (14KB) — 彩色日志/进度条/远程日志
├── tqdm.py # 进度条封装 (15KB)
├── files.py # 文件操作 (8KB) — 文件大小/工作目录/空间检查
├── instance.py # 单例管理 (18KB) — Settings/Callbacks
├── benchmarks.py # 基准测试 (30KB) — 模型速度/内存对比
├── autobatch.py # 自动 Batch Size 计算 (5KB)
├── autodevice.py # 自动设备选择 (8KB) — MPS/CUDA/CPU
├── cpu.py # CPU 优化 (3.5KB)
├── dist.py # 分布式训练工具 (4KB)
├── errors.py # 自定义异常 (1.5KB)
├── events.py # 事件发送 (4.5KB) — HUB/遥测事件
├── git.py # Git 操作 (5KB)
├── patches.py # 兼容补丁 (6.4KB)
├── triton.py # Triton 自定义内核 (5.3KB)
├── tuner.py # 调参工具 (6.6KB)
├── export/ # 导出辅助
│ └── __init__.py # 各格式的导出辅助函数 (imx等)
└── callbacks/ # 回调系统集成
├── base.py # 回调基类
├── tensorboard.py # TensorBoard 日志
├── wb.py # Weights & Biases
├── mlflow.py # MLflow
├── comet.py # Comet ML
├── hub.py # Ultralytics HUB
├── clearml.py # ClearML
├── dvc.py # DVC (版本控制)
├── neptune.py # Neptune AI
├── raytune.py # Ray Tune (超参搜索)
└── platform.py # 平台信息
ROOT = Path(__file__).parent # 项目根路径
ASSETS = ROOT / "assets" # 内置测试资源
DEFAULT_CFG = ROOT / "cfg" / "default.yaml" # 默认配置路径
RUNS_DIR = ROOT.parent / "runs" # 输出根目录
LOGGER # 全局日志记录器
SETTINGS # 用户设置单例
RANK # DDP 进程排名 (-1=非分布式)| 平台 | 文件 | 功能 |
|---|---|---|
| TensorBoard | tensorboard.py |
本地训练可视化 |
| W&B | wb.py |
云端实验追踪 |
| MLflow | mlflow.py |
开源 MLOps 平台 |
| Comet | comet.py |
模型管理 |
| ClearML | clearml.py |
实验管理 |
| Neptune | neptune.py |
元数据追踪 |
| DVC | dvc.py |
数据版本控制 |
| Ray Tune | raytune.py |
分布式超参搜索 |
| Hub | hub.py |
Ultralytics 云平台 |
trackers/
├── __init__.py # 注册跟踪器
├── track.py # Track 跟踪基类
├── basetrack.py # BaseTrack 单个轨迹状态维护
├── byte_tracker.py # ByteTracker 算法实现 (20KB)
├── bot_sort.py # BOT-SORT 算法实现 (11KB)
└── utils/ # 跟踪辅助工具
├── kalman_filter.py # 卡尔曼滤波器 (21KB)
├── matching.py # 匈牙利匹配 / IoU 匹配
└── gmc.py # 几何匹配一致性 (GMC)
| 跟踪算法 | 特点 |
|---|---|
| ByteTRACK | 简洁高效，仅使用运动信息关联，无外观特征 |
| BOT-SORT | 在 ByteTrack 基础上增加卡尔曼滤波 + 光流 + 外观特征（ReID） |
hub/
├── __init__.py # Hub 客户端入口
├── auth.py # API Key 认证
├── session.py # 会话管理 (18KB)
├── utils.py # Hub 工具函数
└── google/ # Google Cloud 集成
└── __init__.py # Google Cloud Vision / AutoML
功能：模型上传下载 / 云端训练 / API 密钥认证 / 模型版本管理
solutions/
├── __init__.py # 解决方案注册中心
├── solutions.py # Solutions 基类 (35KB)
├── object_counter.py # 区域内目标计数
├── object_cropper.py # 检测目标裁剪
├── object_blurrer.py # 检测区域模糊化（隐私保护）
├── heatmap.py # 检测热力图生成
├── ai_gym.py # AI 健身动作计数
├── analytics.py # 视频分析（人员/车辆统计图表）
├── speed_estimation.py # 速度估算
├── queue_management.py # 排队管理
├── parking_management.py # 停车场管理
├── instance_segmentation.py # 实例分割解决方案
├── trackzone.py # 跟踪区域监控
├── vision_eye.py # 视觉视线估计
├── distance_calculation.py # 距离测算
├── similarity_search.py # 特征相似度搜索
├── security_alarm.py # 安全报警
├── region_counter.py # 区域计数器
├── config.py # 解决方案配置
└── streamlit_inference.py # Streamlit Web 推理界面
使用方式:
from ultralytics import solutions
counter = solutions.ObjectCounter(show=True, ...)
# 或通过 CLI
yolo solutions count source="video.mp4" region="[(0,400),(1080,400),(1080,360),(0,360)]"yolo detect train model=yolo11n.pt data=coco8.yaml epochs=100
│
▼
cfg/__init__.py::entrypoint()
│ 解析命令行参数 → 确定 task=detect, mode=train
▼
engine/model.py::YOLO(model)
│ 加载 .pt 权重或从 .yaml 构建模型
▼
engine/model.py::Model.train(**kwargs)
│ 实例化 DetectionTrainer
▼
models/yolo/detect/train.py::DetectionTrainer
│ 继承 engine/trainer.py::BaseTrainer
│ ├─ _setup_train() 初始化设备/数据/优化器/学习率
│ ├─ get_model() 通过 nn/tasks.py 构建模型
│ ├─ get_dataset() 通过 data/build.py 构建 DataLoader
│ ├─ _do_train() 训练循环 (epoch × batch × forward+backward)
│ ├─ validate() 每个 epoch 验证
│ └─ save_model() 保存最佳模型
▼
训练完成 → runs/detect/train/weights/best.pt
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.predict("image.jpg")Model.__call__() / Model.predict()
→ Model.task_map[detect][predict] # 找到 DetectionPredictor
→ BasePredictor.__call__()
→ self.preprocess() # 图像预处理
→ self.inference() # 模型推理 (nn/autobackend.py)
→ self.postprocess() # NMS + 结果组装
→ [Results, Results, ...] # 返回结果列表
命令行参数 > Python 参数 > 模型自带配置 > default.yaml > 硬编码默认值
cfg/default.yaml # 全局默认配置
├── task: detect # 当前任务
├── mode: train # 当前模式
├── [train] # 训练超参数 (epochs, batch, lr0, ...)
├── [val] # 验证参数 (conf, iou, ...)
├── [predict] # 推测参数 (source, conf, show, ...)
├── [save] # 保存选项 (save_txt, save_crop, ...)
├── [augment] # 增强参数 (hsv_h/s/v, mosaic, ...)
├── [optimizer] # 优化器参数 (lr0, lrf, momentum, weight_decay, warmup_*)
└── [export] # 导出参数 (format, imgsz, half, ...)
cfg/models/11/yolo11.yaml # YOLO11 网络架构
├── backbone (backbone: P1-P5) # 骨干网络层定义
├── head (head: P4-P1) # 检测头定义
└── anchors / nc / ch # 锚点/类别数/通道数
cfg/datasets/coco8.yaml # 数据集配置
├── path # 数据集根目录
├── train / val / test # 数据划分路径
└── names # 类别名称列表
| 目录 | 版本 | 模型变体 |
|---|---|---|
models/11/ |
YOLO11 (最新) | n/s/m/l/x/cls/seg/pose/obb/yoloe |
models/v12/ |
YOLO12 | n/s/m/l/x/cls/seg/pose/obb |
models/v10/ |
YOLOv10 | n/s/m/l/x |
models/v9/ |
YOLOv9 | t/s/m/c/e (+seg) |
models/v8/ |
YOLOv8 | n/s/m/l/x/cls/seg/pose/obb/world/rtdetr/ghost/yoloe |
models/v6/ |
YOLOv6 | (兼容) |
models/v5/ |
YOLOv5 | (兼容) |
models/v3/ |
YOLOv3 | (兼容) |
models/rt-detr/ |
RT-DETR | resnet50/resnet101/l/x |
tests/
├── conftest.py # pytest fixtures (模型/数据/设备)
├── test_cli.py # CLI 命令测试
├── test_cuda.py # CUDA 相关测试
├── test_engine.py # Engine 模块测试
├── test_funcs.py # 通用功能测试
├── test_hub.py # Hub 集成测试
├── test_integrations.py # 第三方集成测试
├── test_models.py # 模型测试
├── test_nn_modules.py # NN 模块测试
├── test_python.py # Python API 测试
├── data/ # 测试数据资源
│ └── images/ # 测试图片
└── *.yaml # 测试配置
| 文件 | 大小 | 说明 |
|---|---|---|
data/augment.py |
129.78 KB | 数据增强管线 |
engine/results.py |
69.82 KB | 预测结果封装 |
engine/exporter.py |
67.68 KB | 模型导出器 |
nn/tasks.py |
68.73 KB | 模型任务解析/构建 |
nn/modules/block.py |
68.97 KB | 神经网络残差块 |
utils/metrics.py |
67.22 KB | 评估指标计算 |
utils/torch_utils.py |
40.30 KB | PyTorch 工具 |
data/converter.py |
31.30 KB | 数据格式转换 |
data/loaders.py |
31.00 KB | 数据加载器 |
utils/checks.py |
34.96 KB | 环境检查 |
文档自动生成于 2026-05-24 | 基于 ultralytics v8.3.202 源码分析