🔥🔥🔥 专注于YOLO11、YOLOv8、YOLOv10、RT-DETR、YOLOv7、YOLOv5改进模型，支持对骨干网络、颈部、头部、损失函数、IoU、NMS等模块进行优化🚀

🌟 全新的YOLO系列改进项目 ultralyticsPro，最新改进点更新🚀

ultralyticsPro 快速上手指南

ultralyticsPro 是一个专注于 YOLO 系列（YOLO11, YOLOv8, YOLOv10, YOLOv7, YOLOv5）及 RT-DETR 模型改进的开源项目。它支持对 Backbone、Neck、Head、Loss、IoU 及 NMS 等核心模块进行灵活替换与优化。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (推荐 Ubuntu 20.04/22.04) 或 Windows 10/11
• Python 版本：Python 3.8 - 3.11
• GPU 驱动：已安装 NVIDIA 驱动并配置好 CUDA 环境（如需 GPU 加速）
• 前置依赖：建议先更新 pip 并安装基础编译工具

python -m pip install --upgrade pip

安装步骤

推荐使用国内镜像源以加快安装速度。您可以选择直接克隆源码安装，以便获取最新的改进模块。

方式一：通过 Git 克隆安装（推荐）

# 克隆项目仓库
git clone https://github.com/Weifeng-Chen/ultralyticsPro.git
cd ultralyticsPro

# 使用清华镜像源安装依赖
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装当前项目包
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：通过 PyPI 安装（如已发布）

pip install ultralyticsPro -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

安装完成后，您可以像使用原生 ultralytics 一样调用 ultralyticsPro，并通过参数轻松加载改进后的模型架构。

1. Python 代码推理示例

以下示例展示如何加载预训练的 YOLOv8 改进模型并进行图片检测：

from ultralytics import YOLO

# 加载模型 (支持 .pt 权重文件或自定义配置文件 .yaml)
# 这里以加载官方权重为例，实际使用时可替换为改进后的模型路径
model = YOLO("yolov8n.pt") 

# 执行推理
results = model.predict(source="image.jpg", save=True)

# 打印结果摘要
for result in results:
    print(result.summary())

2. 命令行 (CLI) 快速测试

您也可以直接使用命令行进行训练或预测：

# 预测示例
yolo predict model=yolov8n.pt source=image.jpg

# 训练示例 (指定改进后的配置文件)
# 假设您已经在项目中定义了新的 yaml 配置
yolo train model=yolov8n.yaml data=coco8.yaml epochs=100 imgsz=640

3. 应用改进模块

在 ultralyticsPro 中，您可以通过修改模型的 YAML 配置文件来启用特定的改进模块（如更换 Backbone 或添加新的 Attention 机制）。只需在配置文件中引用对应的模块类名即可，框架会自动处理实例化过程。