xclele/yolov10
1
0
Fork 0
mirror of https://github.com/THU-MIG/yolov10.git synced 2025-05-23 21:44:22 +08:00
Code Issues Actions Packages Projects Releases Wiki Activity

Fix broken docs language links (#6323)

Browse Source 
Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com>
Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>
This commit is contained in:
Glenn Jocher 2023-11-13 21:31:52 +01:00 committed by GitHub
parent f767aa13ae
commit ec977f6ca7
No known key found for this signature in database
GPG Key ID: 4AEE18F83AFDEB23
32 changed files with 139 additions and 126 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

16
docs/build_docs.py
View File

@ -51,20 +51,26 @@ def build_docs():
def update_html_links(): def update_html_links():
"""Update href links in HTML files to remove '.md', excluding links starting with 'https://'.""" """Update href links in HTML files to remove '.md' and '/index.md', excluding links starting with 'https://'."""
html_files = SITE.rglob('*.html') html_files = Path(SITE).rglob('*.html')
total_updated_links = 0 total_updated_links = 0
for html_file in html_files: for html_file in html_files:
with open(html_file, 'r+', encoding='utf-8') as file: with open(html_file, 'r+', encoding='utf-8') as file:
content = file.read() content = file.read()
# Find all links to be updated, excluding those starting with 'https://' # Find all links to be updated, excluding those starting with 'https://'
links_to_update = re.findall(r'href="(?!https://)([^"]+)\.md"', content) links_to_update = re.findall(r'href="(?!https://)([^"]+?)(/index)?\.md"', content)
# Update the content and count the number of links updated # Update the content and count the number of links updated
updated_content, number_of_links_updated = re.subn(r'href="(?!https://)([^"]+)\.md"', r'href="\1"', content) updated_content, number_of_links_updated = re.subn(r'href="(?!https://)([^"]+?)(/index)?\.md"',
r'href="\1"', content)
total_updated_links += number_of_links_updated total_updated_links += number_of_links_updated
# Special handling for '/index' links
updated_content, number_of_index_links_updated = re.subn(r'href="([^"]+)/index"', r'href="\1/"',
updated_content)
total_updated_links += number_of_index_links_updated
# Write the updated content back to the file # Write the updated content back to the file
file.seek(0) file.seek(0)
file.write(updated_content) file.write(updated_content)
@ -72,7 +78,7 @@ def update_html_links():
# Print updated links for this file # Print updated links for this file
for link in links_to_update: for link in links_to_update:
print(f'Updated link in {html_file}: {link}') print(f'Updated link in {html_file}: {link[0]}')
print(f'Total number of links updated: {total_updated_links}') print(f'Total number of links updated: {total_updated_links}')

10
docs/de/quickstart.md
View File

@ -88,7 +88,7 @@ Siehe die `ultralytics` [requirements.txt](https://github.com/ultralytics/ultral
## Ultralytics mit CLI verwenden ## Ultralytics mit CLI verwenden
Die Befehlszeilenschnittstelle (CLI) von Ultralytics ermöglicht einfache Einzeilige Befehle ohne die Notwendigkeit einer Python-Umgebung. CLI erfordert keine Anpassung oder Python-Code. Sie können alle Aufgaben einfach vom Terminal aus mit dem `yolo` Befehl ausführen. Schauen Sie sich den [CLI-Leitfaden](../usage/cli.md) an, um mehr über die Verwendung von YOLOv8 über die Befehlszeile zu erfahren. Die Befehlszeilenschnittstelle (CLI) von Ultralytics ermöglicht einfache Einzeilige Befehle ohne die Notwendigkeit einer Python-Umgebung. CLI erfordert keine Anpassung oder Python-Code. Sie können alle Aufgaben einfach vom Terminal aus mit dem `yolo` Befehl ausführen. Schauen Sie sich den [CLI-Leitfaden](/../usage/cli.md) an, um mehr über die Verwendung von YOLOv8 über die Befehlszeile zu erfahren.
!!! Beispiel !!! Beispiel
@ -102,7 +102,7 @@ Die Befehlszeilenschnittstelle (CLI) von Ultralytics ermöglicht einfache Einzei
MODE (erforderlich) einer von [train, val, predict, export, track] ist MODE (erforderlich) einer von [train, val, predict, export, track] ist
ARGS (optional) eine beliebige Anzahl von benutzerdefinierten 'arg=value' Paaren wie 'imgsz=320', die Vorgaben überschreiben. ARGS (optional) eine beliebige Anzahl von benutzerdefinierten 'arg=value' Paaren wie 'imgsz=320', die Vorgaben überschreiben.
``` ```
Sehen Sie alle ARGS im vollständigen [Konfigurationsleitfaden](../usage/cfg.md) oder mit `yolo cfg` Sehen Sie alle ARGS im vollständigen [Konfigurationsleitfaden](/../usage/cfg.md) oder mit `yolo cfg`
=== "Trainieren" === "Trainieren"
@ -152,13 +152,13 @@ Die Befehlszeilenschnittstelle (CLI) von Ultralytics ermöglicht einfache Einzei
- `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌ - `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌
- `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌ - `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌
[CLI-Leitfaden](../usage/cli.md){ .md-button .md-button--primary} [CLI-Leitfaden](/../usage/cli.md){ .md-button .md-button--primary}
## Ultralytics mit Python verwenden ## Ultralytics mit Python verwenden
Die Python-Schnittstelle von YOLOv8 ermöglicht eine nahtlose Integration in Ihre Python-Projekte und erleichtert das Laden, Ausführen und Verarbeiten der Modellausgabe. Konzipiert für Einfachheit und Benutzerfreundlichkeit, ermöglicht die Python-Schnittstelle Benutzern, Objekterkennung, Segmentierung und Klassifizierung schnell in ihren Projekten zu implementieren. Dies macht die Python-Schnittstelle von YOLOv8 zu einem unschätzbaren Werkzeug für jeden, der diese Funktionalitäten in seine Python-Projekte integrieren möchte. Die Python-Schnittstelle von YOLOv8 ermöglicht eine nahtlose Integration in Ihre Python-Projekte und erleichtert das Laden, Ausführen und Verarbeiten der Modellausgabe. Konzipiert für Einfachheit und Benutzerfreundlichkeit, ermöglicht die Python-Schnittstelle Benutzern, Objekterkennung, Segmentierung und Klassifizierung schnell in ihren Projekten zu implementieren. Dies macht die Python-Schnittstelle von YOLOv8 zu einem unschätzbaren Werkzeug für jeden, der diese Funktionalitäten in seine Python-Projekte integrieren möchte.
Benutzer können beispielsweise ein Modell laden, es trainieren, seine Leistung an einem Validierungsset auswerten und sogar in das ONNX-Format exportieren, und das alles mit nur wenigen Codezeilen. Schauen Sie sich den [Python-Leitfaden](../usage/python.md) an, um mehr über die Verwendung von YOLOv8 in Ihren_python_pro_jek_ten zu erfahren. Benutzer können beispielsweise ein Modell laden, es trainieren, seine Leistung an einem Validierungsset auswerten und sogar in das ONNX-Format exportieren, und das alles mit nur wenigen Codezeilen. Schauen Sie sich den [Python-Leitfaden](/../usage/python.md) an, um mehr über die Verwendung von YOLOv8 in Ihren_python_pro_jek_ten zu erfahren.
!!! Beispiel !!! Beispiel
@ -184,4 +184,4 @@ Benutzer können beispielsweise ein Modell laden, es trainieren, seine Leistung
success = model.export(format='onnx') success = model.export(format='onnx')
``` ```
[Python-Leitfaden](../usage/python.md){.md-button .md-button--primary} [Python-Leitfaden](/../usage/python.md){.md-button .md-button--primary}

2
docs/de/tasks/classify.md
View File

@ -37,7 +37,7 @@ Hier werden vortrainierte YOLOv8 Classify-Modelle gezeigt. Detect-, Segment- und
## Trainieren ## Trainieren
Trainieren Sie das YOLOv8n-cls-Modell auf dem MNIST160-Datensatz für 100 Epochen bei Bildgröße 64. Eine vollständige Liste der verfügbaren Argumente finden Sie auf der Seite [Konfiguration](../../usage/cfg.md). Trainieren Sie das YOLOv8n-cls-Modell auf dem MNIST160-Datensatz für 100 Epochen bei Bildgröße 64. Eine vollständige Liste der verfügbaren Argumente finden Sie auf der Seite [Konfiguration](/../usage/cfg.md).
!!! example "" !!! example ""

2
docs/de/tasks/detect.md
View File

@ -48,7 +48,7 @@ Hier werden die vortrainierten YOLOv8 Detect Modelle gezeigt. Detect, Segment un
## Training ## Training
YOLOv8n auf dem COCO128-Datensatz für 100 Epochen bei Bildgröße 640 trainieren. Für eine vollständige Liste verfügbarer Argumente siehe die [Konfigurationsseite](../../usage/cfg.md). YOLOv8n auf dem COCO128-Datensatz für 100 Epochen bei Bildgröße 640 trainieren. Für eine vollständige Liste verfügbarer Argumente siehe die [Konfigurationsseite](/../usage/cfg.md).
!!! example "" !!! example ""

2
docs/de/tasks/segment.md
View File

@ -48,7 +48,7 @@ Hier werden vortrainierte YOLOv8 Segment-Modelle gezeigt. Detect-, Segment- und
## Training ## Training
Trainieren Sie YOLOv8n-seg auf dem COCO128-seg-Datensatz für 100 Epochen mit einer Bildgröße von 640. Eine vollständige Liste der verfügbaren Argumente finden Sie auf der Seite [Konfiguration](../../usage/cfg.md). Trainieren Sie YOLOv8n-seg auf dem COCO128-seg-Datensatz für 100 Epochen mit einer Bildgröße von 640. Eine vollständige Liste der verfügbaren Argumente finden Sie auf der Seite [Konfiguration](/../usage/cfg.md).
!!! Beispiel "" !!! Beispiel ""

10
docs/es/quickstart.md
View File

@ -88,7 +88,7 @@ Consulta el archivo [requirements.txt](https://github.com/ultralytics/ultralytic
## Usar Ultralytics con CLI ## Usar Ultralytics con CLI
La interfaz de línea de comandos (CLI) de Ultralytics permite el uso de comandos simples de una sola línea sin la necesidad de un entorno de Python. La CLI no requiere personalización ni código Python. Puedes simplemente ejecutar todas las tareas desde el terminal con el comando `yolo`. Consulta la [Guía de CLI](../usage/cli.md) para aprender más sobre el uso de YOLOv8 desde la línea de comandos. La interfaz de línea de comandos (CLI) de Ultralytics permite el uso de comandos simples de una sola línea sin la necesidad de un entorno de Python. La CLI no requiere personalización ni código Python. Puedes simplemente ejecutar todas las tareas desde el terminal con el comando `yolo`. Consulta la [Guía de CLI](/../usage/cli.md) para aprender más sobre el uso de YOLOv8 desde la línea de comandos.
!!! example !!! example
@ -102,7 +102,7 @@ La interfaz de línea de comandos (CLI) de Ultralytics permite el uso de comando
MODO (requerido) es uno de [train, val, predict, export, track] MODO (requerido) es uno de [train, val, predict, export, track]
ARGUMENTOS (opcionales) son cualquier número de pares personalizados 'arg=valor' como 'imgsz=320' que sobrescriben los valores por defecto. ARGUMENTOS (opcionales) son cualquier número de pares personalizados 'arg=valor' como 'imgsz=320' que sobrescriben los valores por defecto.
``` ```
Ver todos los ARGUMENTOS en la guía completa [Configuration Guide](../usage/cfg.md) o con `yolo cfg` Ver todos los ARGUMENTOS en la guía completa [Configuration Guide](/../usage/cfg.md) o con `yolo cfg`
=== "Entrenar" === "Entrenar"
@ -152,13 +152,13 @@ La interfaz de línea de comandos (CLI) de Ultralytics permite el uso de comando
- `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌ - `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌
- `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌ - `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌
[Guía de CLI](../usage/cli.md){.md-button .md-button--primary} [Guía de CLI](/../usage/cli.md){.md-button .md-button--primary}
## Usar Ultralytics con Python ## Usar Ultralytics con Python
La interfaz de Python de YOLOv8 permite una integración perfecta en tus proyectos de Python, facilitando la carga, ejecución y procesamiento de la salida del modelo. Diseñada con sencillez y facilidad de uso en mente, la interfaz de Python permite a los usuarios implementar rápidamente la detección de objetos, segmentación y clasificación en sus proyectos. Esto hace que la interfaz de Python de YOLOv8 sea una herramienta invaluable para cualquier persona que busque incorporar estas funcionalidades en sus proyectos de Python. La interfaz de Python de YOLOv8 permite una integración perfecta en tus proyectos de Python, facilitando la carga, ejecución y procesamiento de la salida del modelo. Diseñada con sencillez y facilidad de uso en mente, la interfaz de Python permite a los usuarios implementar rápidamente la detección de objetos, segmentación y clasificación en sus proyectos. Esto hace que la interfaz de Python de YOLOv8 sea una herramienta invaluable para cualquier persona que busque incorporar estas funcionalidades en sus proyectos de Python.
Por ejemplo, los usuarios pueden cargar un modelo, entrenarlo, evaluar su rendimiento en un conjunto de validación e incluso exportarlo al formato ONNX con solo unas pocas líneas de código. Consulta la [Guía de Python](../usage/python.md) para aprender más sobre el uso de YOLOv8 dentro de tus proyectos de Python. Por ejemplo, los usuarios pueden cargar un modelo, entrenarlo, evaluar su rendimiento en un conjunto de validación e incluso exportarlo al formato ONNX con solo unas pocas líneas de código. Consulta la [Guía de Python](/../usage/python.md) para aprender más sobre el uso de YOLOv8 dentro de tus proyectos de Python.
!!! example !!! example
@ -184,4 +184,4 @@ Por ejemplo, los usuarios pueden cargar un modelo, entrenarlo, evaluar su rendim
success = model.export(format='onnx') success = model.export(format='onnx')
``` ```
[Guía de Python](../usage/python.md){.md-button .md-button--primary} [Guía de Python](/../usage/python.md){.md-button .md-button--primary}

2
docs/es/tasks/classify.md
View File

@ -37,7 +37,7 @@ Los [modelos](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/c
## Entrenamiento ## Entrenamiento
Entrena el modelo YOLOv8n-cls en el conjunto de datos MNIST160 durante 100 épocas con un tamaño de imagen de 64. Para obtener una lista completa de argumentos disponibles, consulte la página de [Configuración](../../usage/cfg.md). Entrena el modelo YOLOv8n-cls en el conjunto de datos MNIST160 durante 100 épocas con un tamaño de imagen de 64. Para obtener una lista completa de argumentos disponibles, consulte la página de [Configuración](/../usage/cfg.md).
!!! example "" !!! example ""

2
docs/es/tasks/detect.md
View File

@ -48,7 +48,7 @@ Los [modelos](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/c
## Entrenamiento ## Entrenamiento
Entrena a YOLOv8n en el conjunto de datos COCO128 durante 100 épocas a tamaño de imagen 640. Para una lista completa de argumentos disponibles, consulta la página [Configuración](../../usage/cfg.md). Entrena a YOLOv8n en el conjunto de datos COCO128 durante 100 épocas a tamaño de imagen 640. Para una lista completa de argumentos disponibles, consulta la página [Configuración](/../usage/cfg.md).
!!! ejemplo "" !!! ejemplo ""

2
docs/es/tasks/segment.md
View File

@ -48,7 +48,7 @@ Los [Modelos](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/c
## Entrenamiento ## Entrenamiento
Entrena el modelo YOLOv8n-seg en el conjunto de datos COCO128-seg durante 100 épocas con tamaño de imagen de 640. Para una lista completa de argumentos disponibles, consulta la página de [Configuración](../../usage/cfg.md). Entrena el modelo YOLOv8n-seg en el conjunto de datos COCO128-seg durante 100 épocas con tamaño de imagen de 640. Para una lista completa de argumentos disponibles, consulta la página de [Configuración](/../usage/cfg.md).
!!! example "" !!! example ""

10
docs/fr/quickstart.md
View File

@ -88,7 +88,7 @@ Voir le fichier [requirements.txt](https://github.com/ultralytics/ultralytics/bl
## Utiliser Ultralytics avec CLI ## Utiliser Ultralytics avec CLI
L'interface en ligne de commande (CLI) d'Ultralytics permet l'utilisation de commandes simples en une seule ligne sans nécessiter d'environnement Python. La CLI ne requiert pas de personnalisation ou de code Python. Vous pouvez simplement exécuter toutes les tâches depuis le terminal avec la commande `yolo`. Consultez le [Guide CLI](../usage/cli.md) pour en savoir plus sur l'utilisation de YOLOv8 depuis la ligne de commande. L'interface en ligne de commande (CLI) d'Ultralytics permet l'utilisation de commandes simples en une seule ligne sans nécessiter d'environnement Python. La CLI ne requiert pas de personnalisation ou de code Python. Vous pouvez simplement exécuter toutes les tâches depuis le terminal avec la commande `yolo`. Consultez le [Guide CLI](/../usage/cli.md) pour en savoir plus sur l'utilisation de YOLOv8 depuis la ligne de commande.
!!! exemple !!! exemple
@ -102,7 +102,7 @@ L'interface en ligne de commande (CLI) d'Ultralytics permet l'utilisation de com
MODE (obligatoire) est l'un de [train, val, predict, export, track] MODE (obligatoire) est l'un de [train, val, predict, export, track]
ARGS (facultatif) sont n'importe quel nombre de paires personnalisées 'arg=valeur' comme 'imgsz=320' qui remplacent les valeurs par défaut. ARGS (facultatif) sont n'importe quel nombre de paires personnalisées 'arg=valeur' comme 'imgsz=320' qui remplacent les valeurs par défaut.
``` ```
Voyez tous les ARGS dans le [Guide de Configuration](../usage/cfg.md) complet ou avec `yolo cfg` Voyez tous les ARGS dans le [Guide de Configuration](/../usage/cfg.md) complet ou avec `yolo cfg`
=== "Entraînement" === "Entraînement"
@ -152,13 +152,13 @@ L'interface en ligne de commande (CLI) d'Ultralytics permet l'utilisation de com
- `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌ - `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌
- `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌ - `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌
[Guide CLI](../usage/cli.md){ .md-button .md-button--primary} [Guide CLI](/../usage/cli.md){ .md-button .md-button--primary}
## Utiliser Ultralytics avec Python ## Utiliser Ultralytics avec Python
L'interface Python de YOLOv8 permet une intégration transparente dans vos projets Python, facilitant le chargement, l'exécution et le traitement de la sortie du modèle. Conçue avec simplicité et facilité d'utilisation à l'esprit, l'interface Python permet aux utilisateurs de mettre en œuvre rapidement la détection d'objets, la segmentation et la classification dans leurs projets. Cela fait de l'interface Python de YOLOv8 un outil inestimable pour quiconque cherche à intégrer ces fonctionnalités dans ses projets Python. L'interface Python de YOLOv8 permet une intégration transparente dans vos projets Python, facilitant le chargement, l'exécution et le traitement de la sortie du modèle. Conçue avec simplicité et facilité d'utilisation à l'esprit, l'interface Python permet aux utilisateurs de mettre en œuvre rapidement la détection d'objets, la segmentation et la classification dans leurs projets. Cela fait de l'interface Python de YOLOv8 un outil inestimable pour quiconque cherche à intégrer ces fonctionnalités dans ses projets Python.
Par exemple, les utilisateurs peuvent charger un modèle, l'entraîner, évaluer ses performances sur un set de validation, et même l'exporter au format ONNX avec seulement quelques lignes de code. Consultez le [Guide Python](../usage/python.md) pour en savoir plus sur l'utilisation de YOLOv8 au sein de vos projets Python. Par exemple, les utilisateurs peuvent charger un modèle, l'entraîner, évaluer ses performances sur un set de validation, et même l'exporter au format ONNX avec seulement quelques lignes de code. Consultez le [Guide Python](/../usage/python.md) pour en savoir plus sur l'utilisation de YOLOv8 au sein de vos projets Python.
!!! exemple !!! exemple
@ -184,4 +184,4 @@ Par exemple, les utilisateurs peuvent charger un modèle, l'entraîner, évaluer
succès = model.export(format='onnx') succès = model.export(format='onnx')
``` ```
[Guide Python](../usage/python.md){.md-button .md-button--primary} [Guide Python](/../usage/python.md){.md-button .md-button--primary}

4
docs/fr/tasks/classify.md
View File

@ -37,7 +37,7 @@ Les [modèles](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/
## Entraînement ## Entraînement
Entraînez le modèle YOLOv8n-cls sur le dataset MNIST160 pendant 100 époques avec une taille d'image de 64. Pour une liste complète des arguments disponibles, consultez la page [Configuration](../../usage/cfg.md). Entraînez le modèle YOLOv8n-cls sur le dataset MNIST160 pendant 100 époques avec une taille d'image de 64. Pour une liste complète des arguments disponibles, consultez la page [Configuration](/../usage/cfg.md).
!!! example "" !!! example ""
@ -164,7 +164,7 @@ Les formats d'exportation disponibles pour YOLOv8-cls sont présentés dans le t
| [TF SavedModel](https://www.tensorflow.org/guide/saved_model) | `saved_model` | `yolov8n-cls_saved_model/` | ✅ | `imgsz`, `keras` | | [TF SavedModel](https://www.tensorflow.org/guide/saved_model) | `saved_model` | `yolov8n-cls_saved_model/` | ✅ | `imgsz`, `keras` |
| [TF GraphDef](https://www.tensorflow.org/api_docs/python/tf/Graph) | `pb` | `yolov8n-cls.pb` | ❌ | `imgsz` | | [TF GraphDef](https://www.tensorflow.org/api_docs/python/tf/Graph) | `pb` | `yolov8n-cls.pb` | ❌ | `imgsz` |
| [TF Lite](https://www.tensorflow.org/lite) | `tflite` | `yolov8n-cls.tflite` | ✅ | `imgsz`, `half`, `int8` | | [TF Lite](https://www.tensorflow.org/lite) | `tflite` | `yolov8n-cls.tflite` | ✅ | `imgsz`, `half`, `int8` |
| [TF Edge TPU](https://coral.ai/docs/edgetpu/models-into/) | `edgetpu` | `yolov8n-cls_edgetpu.tflite` | ✅ | `imgsz` | | [TF Edge TPU](https://coral.ai/docs/edgetpu/models-intro/) | `edgetpu` | `yolov8n-cls_edgetpu.tflite` | ✅ | `imgsz` |
| [TF.js](https://www.tensorflow.org/js) | `tfjs` | `yolov8n-cls_web_model/` | ✅ | `imgsz` | | [TF.js](https://www.tensorflow.org/js) | `tfjs` | `yolov8n-cls_web_model/` | ✅ | `imgsz` |
| [PaddlePaddle](https://github.com/PaddlePaddle) | `paddle` | `yolov8n-cls_paddle_model/` | ✅ | `imgsz` | | [PaddlePaddle](https://github.com/PaddlePaddle) | `paddle` | `yolov8n-cls_paddle_model/` | ✅ | `imgsz` |
| [ncnn](https://github.com/Tencent/ncnn) | `ncnn` | `yolov8n-cls_ncnn_model/` | ✅ | `imgsz`, `half` | | [ncnn](https://github.com/Tencent/ncnn) | `ncnn` | `yolov8n-cls_ncnn_model/` | ✅ | `imgsz`, `half` |

2
docs/fr/tasks/detect.md
View File

@ -48,7 +48,7 @@ Les modèles pré-entraînés Detect YOLOv8 sont présentés ici. Les modèles D
## Entraînement ## Entraînement
Entraînez le modèle YOLOv8n sur le jeu de données COCO128 pendant 100 époques à la taille d'image de 640. Pour une liste complète des arguments disponibles, consultez la page [Configuration](../../usage/cfg.md). Entraînez le modèle YOLOv8n sur le jeu de données COCO128 pendant 100 époques à la taille d'image de 640. Pour une liste complète des arguments disponibles, consultez la page [Configuration](/../usage/cfg.md).
!!! example "" !!! example ""

2
docs/fr/tasks/segment.md
View File

@ -48,7 +48,7 @@ Les [modèles](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/
## Formation ## Formation
Entraînez YOLOv8n-seg sur le jeu de données COCO128-seg pendant 100 époques à la taille d'image 640. Pour une liste complète des arguments disponibles, consultez la page [Configuration](../../usage/cfg.md). Entraînez YOLOv8n-seg sur le jeu de données COCO128-seg pendant 100 époques à la taille d'image 640. Pour une liste complète des arguments disponibles, consultez la page [Configuration](/../usage/cfg.md).
!!! exemple "" !!! exemple ""

10
docs/ja/quickstart.md
View File

@ -88,7 +88,7 @@ Ultralyticsはpip、conda、Dockerを含むさまざまなインストール方
## CLIでUltralyticsを使用 ## CLIでUltralyticsを使用
Ultralyticsコマンドラインインターフェース（CLI）を使用すると、Python環境がなくても単一の行のコマンドを簡単に実行できます。CLIはカスタマイズもPythonコードも必要ありません。単純にすべてのタスクを`yolo`コマンドでターミナルから実行することができます。コマンドラインからYOLOv8を使用する方法について詳しくは、[CLIガイド](../usage/cli.md)を参照してください。 Ultralyticsコマンドラインインターフェース（CLI）を使用すると、Python環境がなくても単一の行のコマンドを簡単に実行できます。CLIはカスタマイズもPythonコードも必要ありません。単純にすべてのタスクを`yolo`コマンドでターミナルから実行することができます。コマンドラインからYOLOv8を使用する方法について詳しくは、[CLIガイド](/../usage/cli.md)を参照してください。
!!! example !!! example
@ -102,7 +102,7 @@ Ultralyticsコマンドラインインターフェース（CLI）を使用する
MODE（必須）は[train, val, predict, export, track]のうちの1つ MODE（必須）は[train, val, predict, export, track]のうちの1つ
ARGS（オプション）はデフォルトを上書きする任意の数のカスタム'arg=value'ペアです。 ARGS（オプション）はデフォルトを上書きする任意の数のカスタム'arg=value'ペアです。
``` ```
full [Configuration Guide](../usage/cfg.md)または`yolo cfg`で全てのARGSを確認してください full [Configuration Guide](/../usage/cfg.md)または`yolo cfg`で全てのARGSを確認してください
=== "トレーニング" === "トレーニング"
@ -152,13 +152,13 @@ Ultralyticsコマンドラインインターフェース（CLI）を使用する
- `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌ - `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌
- `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌ - `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌
[CLIガイド](../usage/cli.md){ .md-button .md-button--primary} [CLIガイド](/../usage/cli.md){ .md-button .md-button--primary}
## PythonでUltralyticsを使用 ## PythonでUltralyticsを使用
YOLOv8のPythonインターフェースを使用すると、Pythonプロジェクトにシームレスに統合し、モデルをロード、実行、出力を処理することが可能です。簡単さと使いやすさを念頭に設計されたPythonインターフェースにより、ユーザーは素早くプロジェクトに物体検出、セグメンテーション、分類を実装することができます。このように、YOLOv8のPythonインターフェースは、これらの機能をPythonプロジェクトに取り入れたいと考えている方にとって貴重なツールです。 YOLOv8のPythonインターフェースを使用すると、Pythonプロジェクトにシームレスに統合し、モデルをロード、実行、出力を処理することが可能です。簡単さと使いやすさを念頭に設計されたPythonインターフェースにより、ユーザーは素早くプロジェクトに物体検出、セグメンテーション、分類を実装することができます。このように、YOLOv8のPythonインターフェースは、これらの機能をPythonプロジェクトに取り入れたいと考えている方にとって貴重なツールです。
たとえば、ユーザーはモデルをロードして、トレーニングし、検証セットでのパフォーマンスを評価し、ONNX形式にエクスポートするまでの一連の処理を数行のコードで行うことができます。YOLOv8をPythonプロジェクトで使用する方法について詳しくは、[Pythonガイド](../usage/python.md)を参照してください。 たとえば、ユーザーはモデルをロードして、トレーニングし、検証セットでのパフォーマンスを評価し、ONNX形式にエクスポートするまでの一連の処理を数行のコードで行うことができます。YOLOv8をPythonプロジェクトで使用する方法について詳しくは、[Pythonガイド](/../usage/python.md)を参照してください。
!!! example !!! example
@ -184,4 +184,4 @@ YOLOv8のPythonインターフェースを使用すると、Pythonプロジェ
success = model.export(format='onnx') success = model.export(format='onnx')
``` ```
[Pythonガイド](../usage/python.md){.md-button .md-button--primary} [Pythonガイド](/../usage/python.md){.md-button .md-button--primary}

2
docs/ja/tasks/classify.md
View File

@ -37,7 +37,7 @@ keywords: Ultralytics, YOLOv8, 画像分類, 事前トレーニングされた
## トレーニング ## トレーニング
画像サイズ64で100エポックにわたってMNIST160データセットにYOLOv8n-clsをトレーニングします。利用可能な引数の完全なリストについては、[設定](../../usage/cfg.md) ページを参照してください。 画像サイズ64で100エポックにわたってMNIST160データセットにYOLOv8n-clsをトレーニングします。利用可能な引数の完全なリストについては、[設定](/../usage/cfg.md) ページを参照してください。
!!! example "" !!! example ""

2
docs/ja/tasks/detect.md
View File

@ -48,7 +48,7 @@ keywords: YOLOv8, Ultralytics, 物体検出, 事前訓練済みモデル, トレ
## トレーニング ## トレーニング
YOLOv8nを画像サイズ640でCOCO128データセットに対して100エポックでトレーニングします。使用可能な引数の完全なリストについては、[設定](../../usage/cfg.md)ページをご覧ください。 YOLOv8nを画像サイズ640でCOCO128データセットに対して100エポックでトレーニングします。使用可能な引数の完全なリストについては、[設定](/../usage/cfg.md)ページをご覧ください。
!!! example "" !!! example ""

2
docs/ja/tasks/segment.md
View File

@ -48,7 +48,7 @@ keywords: yolov8, インスタンスセグメンテーション, Ultralytics, CO
## トレーニング ## トレーニング
COCO128-segデータセットで、画像サイズ640でYOLOv8n-segを100エポックトレーニングします。利用可能な全ての引数については、[コンフィギュレーション](../../usage/cfg.md)ページを参照してください。 COCO128-segデータセットで、画像サイズ640でYOLOv8n-segを100エポックトレーニングします。利用可能な全ての引数については、[コンフィギュレーション](/../usage/cfg.md)ページを参照してください。
!!! example "" !!! example ""

6
docs/ko/quickstart.md
View File

@ -129,7 +129,7 @@ Ultralytics는 pip, conda, Docker를 포함한 다양한 설치 방법을 제공
## 명령줄 인터페이스(CLI)로 Ultralytics 사용하기 ## 명령줄 인터페이스(CLI)로 Ultralytics 사용하기
Ultralytics 명령줄 인터페이스(CLI)는 Python 환경이 필요 없이 단일 라인 명령어를 통해 작업을 쉽게 실행할 수 있도록 합니다. CLI는 커스터마이징이나 Python 코드가 필요 없습니다. `yolo` 명령어를 이용해 터미널에서 모든 작업을 실행할 수 있습니다. 명령줄에서 YOLOv8을 사용하는 방법에 대해 더 알아보려면 [CLI 가이드](../usage/cli.md)를 참고하세요. Ultralytics 명령줄 인터페이스(CLI)는 Python 환경이 필요 없이 단일 라인 명령어를 통해 작업을 쉽게 실행할 수 있도록 합니다. CLI는 커스터마이징이나 Python 코드가 필요 없습니다. `yolo` 명령어를 이용해 터미널에서 모든 작업을 실행할 수 있습니다. 명령줄에서 YOLOv8을 사용하는 방법에 대해 더 알아보려면 [CLI 가이드](/../usage/cli.md)를 참고하세요.
!!! example !!! example
@ -143,7 +143,7 @@ Ultralytics 명령줄 인터페이스(CLI)는 Python 환경이 필요 없이 단
MODE (필수)는 [train, val, predict, export, track] 중 하나 MODE (필수)는 [train, val, predict, export, track] 중 하나
ARGS (선택적)은 'imgsz=320'과 같이 기본값을 재정의하는 'arg=value' 쌍을 아무 개수나 지정할 수 있습니다. ARGS (선택적)은 'imgsz=320'과 같이 기본값을 재정의하는 'arg=value' 쌍을 아무 개수나 지정할 수 있습니다.
``` ```
모든 ARGS는 전체 [구성 가이드](../usage/cfg.md)에서 또는 `yolo cfg`로 확인할 수 있습니다 모든 ARGS는 전체 [구성 가이드](/../usage/cfg.md)에서 또는 `yolo cfg`로 확인할 수 있습니다
=== "Train" === "Train"
@ -193,4 +193,4 @@ Ultralytics 명령줄 인터페이스(CLI)는 Python 환경이 필요 없이 단
- `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌ - `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌
- `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌ - `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌
[CLI 가이드](../usage/cli.md){ .md-button .md-button--primary} [CLI 가이드](/../usage/cli.md){ .md-button .md-button--primary}

2
docs/ko/tasks/classify.md
View File

@ -37,7 +37,7 @@ keywords: Ultralytics, YOLOv8, 이미지 분류, 사전 훈련된 모델, YOLOv8
## 학습 ## 학습
YOLOv8n-cls 모델을 MNIST160 데이터셋에서 100 에포크 동안 학습시키고 이미지 크기는 64로 설정합니다. 가능한 모든 인자는 [설정](../../usage/cfg.md) 페이지에서 확인할 수 있습니다. YOLOv8n-cls 모델을 MNIST160 데이터셋에서 100 에포크 동안 학습시키고 이미지 크기는 64로 설정합니다. 가능한 모든 인자는 [설정](/../usage/cfg.md) 페이지에서 확인할 수 있습니다.
!!! 예제 "" !!! 예제 ""

2
docs/ko/tasks/detect.md
View File

@ -48,7 +48,7 @@ keywords: YOLOv8, Ultralytics, 객체 감지, 사전 훈련된 모델, 훈련,
## 훈련 ## 훈련
COCO128 데이터셋에서 이미지 크기 640으로 YOLOv8n 모델을 100 에포크 동안 훈련합니다. 가능한 모든 인수에 대한 목록은 [설정](../../usage/cfg.md) 페이지에서 확인할 수 있습니다. COCO128 데이터셋에서 이미지 크기 640으로 YOLOv8n 모델을 100 에포크 동안 훈련합니다. 가능한 모든 인수에 대한 목록은 [설정](/../usage/cfg.md) 페이지에서 확인할 수 있습니다.
!!! example "" !!! example ""

2
docs/ko/tasks/segment.md
View File

@ -48,7 +48,7 @@ keywords: yolov8, 인스턴스 세그멘테이션, Ultralytics, COCO 데이터
## 훈련 ## 훈련
COCO128-seg 데이터셋에서 이미지 크기 640으로 YOLOv8n-seg을 100 에포크 동안 훈련합니다. 가능한 모든 인자 목록은 [설정](../../usage/cfg.md) 페이지에서 확인할 수 있습니다. COCO128-seg 데이터셋에서 이미지 크기 640으로 YOLOv8n-seg을 100 에포크 동안 훈련합니다. 가능한 모든 인자 목록은 [설정](/../usage/cfg.md) 페이지에서 확인할 수 있습니다.
!!! example "" !!! example ""

53
docs/mkdocs_de.yml
View File

@ -148,44 +148,43 @@ markdown_extensions:
# Primary navigation --------------------------------------------------------------------------------------------------- # Primary navigation ---------------------------------------------------------------------------------------------------
nav: nav:
- Página Inicial: - Startseite:
- Página Inicial: index.md - Startseite: index.md
- Início Rápido: quickstart.md - Schnellstart: quickstart.md
- Modos: - Modi:
- modes/index.md - modes/index.md
- Treinamento: modes/train.md - Training: modes/train.md
- Validação: modes/val.md - Validierung: modes/val.md
- Previsão: modes/predict.md - Vorhersage: modes/predict.md
- Exportação: modes/export.md - Exportieren: modes/export.md
- Rastreamento: modes/track.md - Verfolgen: modes/track.md
- Benchmarking: modes/benchmark.md - Benchmarking: modes/benchmark.md
- Tarefas: - Aufgaben:
- tasks/index.md - tasks/index.md
- Detecção: tasks/detect.md - Erkennung: tasks/detect.md
- Segmentação: tasks/segment.md - Segmentierung: tasks/segment.md
- Classificação: tasks/classify.md - Klassifizierung: tasks/classify.md
- Pose: tasks/pose.md - Pose: tasks/pose.md
- Início Rápido: quickstart.md - Schnellstart: quickstart.md
- Modos: - Modi:
- modes/index.md - modes/index.md
- Treinamento: modes/train.md - Training: modes/train.md
- Validação: modes/val.md - Validierung: modes/val.md
- Previsão: modes/predict.md - Vorhersage: modes/predict.md
- Exportação: modes/export.md - Exportieren: modes/export.md
- Rastreamento: modes/track.md - Verfolgen: modes/track.md
- Benchmarking: modes/benchmark.md - Benchmarking: modes/benchmark.md
- Tarefas: - Aufgaben:
- tasks/index.md - tasks/index.md
- Detecção: tasks/detect.md - Erkennung: tasks/detect.md
- Segmentação: tasks/segment.md - Segmentierung: tasks/segment.md
- Classificação: tasks/classify.md - Klassifizierung: tasks/classify.md
- Pose: tasks/pose.md - Pose: tasks/pose.md
- Modelos: - Modelle:
- models/index.md - models/index.md
- Conjuntos de Dados: - Datensätze:
- datasets/index.md - datasets/index.md
# Plugins including 301 redirects navigation --------------------------------------------------------------------------- # Plugins including 301 redirects navigation ---------------------------------------------------------------------------
plugins: plugins:
- search: - search:

52
docs/mkdocs_pt.yml
View File

@ -148,41 +148,41 @@ markdown_extensions:
# Primary navigation --------------------------------------------------------------------------------------------------- # Primary navigation ---------------------------------------------------------------------------------------------------
nav: nav:
- Startseite: - Página Inicial:
- Startseite: index.md - Página Inicial: index.md
- Schnellstart: quickstart.md - Início Rápido: quickstart.md
- Modi: - Modos:
- modes/index.md - modes/index.md
- Training: modes/train.md - Treinamento: modes/train.md
- Validierung: modes/val.md - Validação: modes/val.md
- Vorhersage: modes/predict.md - Previsão: modes/predict.md
- Exportieren: modes/export.md - Exportação: modes/export.md
- Verfolgen: modes/track.md - Rastreamento: modes/track.md
- Benchmarking: modes/benchmark.md - Benchmarking: modes/benchmark.md
- Aufgaben: - Tarefas:
- tasks/index.md - tasks/index.md
- Erkennung: tasks/detect.md - Detecção: tasks/detect.md
- Segmentierung: tasks/segment.md - Segmentação: tasks/segment.md
- Klassifizierung: tasks/classify.md - Classificação: tasks/classify.md
- Pose: tasks/pose.md - Pose: tasks/pose.md
- Schnellstart: quickstart.md - Início Rápido: quickstart.md
- Modi: - Modos:
- modes/index.md - modes/index.md
- Training: modes/train.md - Treinamento: modes/train.md
- Validierung: modes/val.md - Validação: modes/val.md
- Vorhersage: modes/predict.md - Previsão: modes/predict.md
- Exportieren: modes/export.md - Exportação: modes/export.md
- Verfolgen: modes/track.md - Rastreamento: modes/track.md
- Benchmarking: modes/benchmark.md - Benchmarking: modes/benchmark.md
- Aufgaben: - Tarefas:
- tasks/index.md - tasks/index.md
- Erkennung: tasks/detect.md - Detecção: tasks/detect.md
- Segmentierung: tasks/segment.md - Segmentação: tasks/segment.md
- Klassifizierung: tasks/classify.md - Classificação: tasks/classify.md
- Pose: tasks/pose.md - Pose: tasks/pose.md
- Modelle: - Modelos:
- models/index.md - models/index.md
- Datensätze: - Conjuntos de Dados:
- datasets/index.md - datasets/index.md
# Plugins including 301 redirects navigation --------------------------------------------------------------------------- # Plugins including 301 redirects navigation ---------------------------------------------------------------------------

10
docs/pt/quickstart.md
View File

@ -88,7 +88,7 @@ Veja o arquivo [requirements.txt](https://github.com/ultralytics/ultralytics/blo
## Use o Ultralytics com CLI ## Use o Ultralytics com CLI
A interface de linha de comando (CLI) do Ultralytics permite comandos simples de uma única linha sem a necessidade de um ambiente Python. O CLI não requer personalização ou código Python. Você pode simplesmente rodar todas as tarefas do terminal com o comando `yolo`. Confira o [Guia CLI](../usage/cli.md) para aprender mais sobre o uso do YOLOv8 pela linha de comando. A interface de linha de comando (CLI) do Ultralytics permite comandos simples de uma única linha sem a necessidade de um ambiente Python. O CLI não requer personalização ou código Python. Você pode simplesmente rodar todas as tarefas do terminal com o comando `yolo`. Confira o [Guia CLI](/../usage/cli.md) para aprender mais sobre o uso do YOLOv8 pela linha de comando.
!!! example !!! example
@ -102,7 +102,7 @@ A interface de linha de comando (CLI) do Ultralytics permite comandos simples de
MODO (obrigatório) é um entre [train, val, predict, export, track] MODO (obrigatório) é um entre [train, val, predict, export, track]
ARGUMENTOS (opcional) são qualquer número de pares personalizados 'arg=valor' como 'imgsz=320' que substituem os padrões. ARGUMENTOS (opcional) são qualquer número de pares personalizados 'arg=valor' como 'imgsz=320' que substituem os padrões.
``` ```
Veja todos os ARGUMENTOS no guia completo de [Configuração](../usage/cfg.md) ou com `yolo cfg` Veja todos os ARGUMENTOS no guia completo de [Configuração](/../usage/cfg.md) ou com `yolo cfg`
=== "Train" === "Train"
@ -152,13 +152,13 @@ A interface de linha de comando (CLI) do Ultralytics permite comandos simples de
- `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌ - `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌
- `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌ - `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌
[Guia CLI](../usage/cli.md){ .md-button .md-button--primary} [Guia CLI](/../usage/cli.md){ .md-button .md-button--primary}
## Use o Ultralytics com Python ## Use o Ultralytics com Python
A interface Python do YOLOv8 permite uma integração tranquila em seus projetos Python, tornando fácil carregar, executar e processar a saída do modelo. Projetada com simplicidade e facilidade de uso em mente, a interface Python permite que os usuários implementem rapidamente detecção de objetos, segmentação e classificação em seus projetos. Isto torna a interface Python do YOLOv8 uma ferramenta inestimável para qualquer pessoa buscando incorporar essas funcionalidades em seus projetos Python. A interface Python do YOLOv8 permite uma integração tranquila em seus projetos Python, tornando fácil carregar, executar e processar a saída do modelo. Projetada com simplicidade e facilidade de uso em mente, a interface Python permite que os usuários implementem rapidamente detecção de objetos, segmentação e classificação em seus projetos. Isto torna a interface Python do YOLOv8 uma ferramenta inestimável para qualquer pessoa buscando incorporar essas funcionalidades em seus projetos Python.
Por exemplo, os usuários podem carregar um modelo, treiná-lo, avaliar o seu desempenho em um conjunto de validação e até exportá-lo para o formato ONNX com apenas algumas linhas de código. Confira o [Guia Python](../usage/python.md) para aprender mais sobre o uso do YOLOv8 dentro dos seus projetos Python. Por exemplo, os usuários podem carregar um modelo, treiná-lo, avaliar o seu desempenho em um conjunto de validação e até exportá-lo para o formato ONNX com apenas algumas linhas de código. Confira o [Guia Python](/../usage/python.md) para aprender mais sobre o uso do YOLOv8 dentro dos seus projetos Python.
!!! example !!! example
@ -184,4 +184,4 @@ Por exemplo, os usuários podem carregar um modelo, treiná-lo, avaliar o seu de
success = model.export(format='onnx') success = model.export(format='onnx')
``` ```
[Guia Python](../usage/python.md){.md-button .md-button--primary} [Guia Python](/../usage/python.md){.md-button .md-button--primary}

2
docs/pt/tasks/classify.md
View File

@ -37,7 +37,7 @@ Aqui são mostrados os modelos pré-treinados YOLOv8 Classify. Modelos de Detec
## Treino ## Treino
Treine o modelo YOLOv8n-cls no dataset MNIST160 por 100 épocas com tamanho de imagem 64. Para uma lista completa de argumentos disponíveis, veja a página de [Configuração](../../usage/cfg.md). Treine o modelo YOLOv8n-cls no dataset MNIST160 por 100 épocas com tamanho de imagem 64. Para uma lista completa de argumentos disponíveis, veja a página de [Configuração](/../usage/cfg.md).
!!! exemplo "" !!! exemplo ""

2
docs/pt/tasks/detect.md
View File

@ -49,7 +49,7 @@ Os [Modelos](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cf
## Treinar ## Treinar
Treine o YOLOv8n no dataset COCO128 por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, veja a página [Configuração](../../usage/cfg.md). Treine o YOLOv8n no dataset COCO128 por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, veja a página [Configuração](/../usage/cfg.md).
!!! example "" !!! example ""

2
docs/pt/tasks/segment.md
View File

@ -48,7 +48,7 @@ Os modelos Segment pré-treinados do YOLOv8 estão mostrados aqui. Os modelos De
## Treinar ## Treinar
Treine o modelo YOLOv8n-seg no conjunto de dados COCO128-seg por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, consulte a página [Configuração](../../usage/cfg.md). Treine o modelo YOLOv8n-seg no conjunto de dados COCO128-seg por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, consulte a página [Configuração](/../usage/cfg.md).
!!! example "" !!! example ""

10
docs/ru/quickstart.md
View File

@ -88,7 +88,7 @@ Ultralytics предлагает различные методы установ
## Использование Ultralytics с CLI ## Использование Ultralytics с CLI
Интерфейс командной строки (CLI) Ultralytics позволяет выполнять простые команды одной строкой без необходимости настройки Python среды. CLI не требует настройки или кода на Python. Все задачи можно легко выполнить из терминала с помощью команды `yolo`. Прочтите [Руководство по CLI](../usage/cli.md), чтобы узнать больше о использовании YOLOv8 из командной строки. Интерфейс командной строки (CLI) Ultralytics позволяет выполнять простые команды одной строкой без необходимости настройки Python среды. CLI не требует настройки или кода на Python. Все задачи можно легко выполнить из терминала с помощью команды `yolo`. Прочтите [Руководство по CLI](/../usage/cli.md), чтобы узнать больше о использовании YOLOv8 из командной строки.
!!! example !!! example
@ -102,7 +102,7 @@ Ultralytics предлагает различные методы установ
РЕЖИМ (обязательно) один из [train, val, predict, export, track] РЕЖИМ (обязательно) один из [train, val, predict, export, track]
АРГУМЕНТЫ (необязательно) любое количество пар 'arg=value', которые переопределяют настройки по умолчанию. АРГУМЕНТЫ (необязательно) любое количество пар 'arg=value', которые переопределяют настройки по умолчанию.
``` ```
Смотрите все АРГУМЕНТЫ в полном [Руководстве по конфигурации](../usage/cfg.md) или с помощью `yolo cfg` Смотрите все АРГУМЕНТЫ в полном [Руководстве по конфигурации](/../usage/cfg.md) или с помощью `yolo cfg`
=== "Train" === "Train"
@ -152,13 +152,13 @@ Ultralytics предлагает различные методы установ
- `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌ - `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌
- `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌ - `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌
[Руководство по CLI](../usage/cli.md){ .md-button .md-button--primary} [Руководство по CLI](/../usage/cli.md){ .md-button .md-button--primary}
## Использование Ultralytics с Python ## Использование Ultralytics с Python
Python интерфейс YOLOv8 позволяет легко интегрировать его в ваши Python проекты, упрощая загрузку, выполнение и обработку результатов работы модели. Интерфейс Python разработан с акцентом на простоту и удобство использования, позволяя пользователям быстро внедрять функции обнаружения объектов, сегментации и классификации в их проектах. Это делает интерфейс Python YOLOv8 незаменимым инструментом для тех, кто хочет включить эти функции в свои Python проекты. Python интерфейс YOLOv8 позволяет легко интегрировать его в ваши Python проекты, упрощая загрузку, выполнение и обработку результатов работы модели. Интерфейс Python разработан с акцентом на простоту и удобство использования, позволяя пользователям быстро внедрять функции обнаружения объектов, сегментации и классификации в их проектах. Это делает интерфейс Python YOLOv8 незаменимым инструментом для тех, кто хочет включить эти функции в свои Python проекты.
Например, пользователи могут загрузить модель, обучить ее, оценить ее производительность на валидационном наборе, и даже экспортировать ее в формат ONNX всего за несколько строк кода. Подробнее о том, как использовать YOLOv8 в ваших Python проектах, читайте в [Руководстве по Python](../usage/python.md). Например, пользователи могут загрузить модель, обучить ее, оценить ее производительность на валидационном наборе, и даже экспортировать ее в формат ONNX всего за несколько строк кода. Подробнее о том, как использовать YOLOv8 в ваших Python проектах, читайте в [Руководстве по Python](/../usage/python.md).
!!! example !!! example
@ -184,4 +184,4 @@ Python интерфейс YOLOv8 позволяет легко интегрир
success = model.export(format='onnx') success = model.export(format='onnx')
``` ```
[Руководство по Python](../usage/python.md){.md-button .md-button--primary} [Руководство по Python](/../usage/python.md){.md-button .md-button--primary}

2
docs/ru/tasks/classify.md
View File

@ -37,7 +37,7 @@ keywords: Ultralytics, YOLOv8, классификация изображений
## Обучение ## Обучение
Обучите модель YOLOv8n-cls на наборе данных MNIST160 на протяжении 100 эпох с размером изображения 64. Полный список доступных аргументов приведен на странице [Конфигурация](../../usage/cfg.md). Обучите модель YOLOv8n-cls на наборе данных MNIST160 на протяжении 100 эпох с размером изображения 64. Полный список доступных аргументов приведен на странице [Конфигурация](/../usage/cfg.md).
!!! example "" !!! example ""

2
docs/ru/tasks/detect.md
View File

@ -48,7 +48,7 @@ keywords: YOLOv8, Ultralytics, обнаружение объектов, пред
## Обучение ## Обучение
Обучите модель YOLOv8n на датасете COCO128 в течение 100 эпох с размером изображения 640. Полный список доступных аргументов см. на странице [Конфигурация](../../usage/cfg.md). Обучите модель YOLOv8n на датасете COCO128 в течение 100 эпох с размером изображения 640. Полный список доступных аргументов см. на странице [Конфигурация](/../usage/cfg.md).
!!! example "" !!! example ""

2
docs/ru/tasks/segment.md
View File

@ -49,7 +49,7 @@ keywords: yolov8, сегментация объектов, Ultralytics, набо
## Обучение ## Обучение
Обучите модель YOLOv8n-seg на наборе данных COCO128-seg в течение 100 эпох при размере изображения 640. Полный список доступных аргументов см. на странице [Конфигурация](../../usage/cfg.md). Обучите модель YOLOv8n-seg на наборе данных COCO128-seg в течение 100 эпох при размере изображения 640. Полный список доступных аргументов см. на странице [Конфигурация](/../usage/cfg.md).
!!! example "" !!! example ""

20
docs/update_translations.py
View File

@ -56,7 +56,7 @@ class MarkdownLinkFixer:
pattern = re.compile(f'allow="(?!{re.escape(english_permissions)}).+?"') pattern = re.compile(f'allow="(?!{re.escape(english_permissions)}).+?"')
return pattern.sub(f'allow="{english_permissions}"', content) return pattern.sub(f'allow="{english_permissions}"', content)
def link_replacer(self, match, parent_dir, lang_dir): def link_replacer(self, match, parent_dir, lang_dir, use_abs_link=False):
"""Replace broken links with corresponding links in the /en/ directory.""" """Replace broken links with corresponding links in the /en/ directory."""
text, path = match.groups() text, path = match.groups()
linked_path = (parent_dir / path).resolve().with_suffix('.md') linked_path = (parent_dir / path).resolve().with_suffix('.md')
@ -64,13 +64,21 @@ class MarkdownLinkFixer:
if not linked_path.exists(): if not linked_path.exists():
en_linked_path = Path(str(linked_path).replace(str(lang_dir), str(lang_dir.parent / 'en'))) en_linked_path = Path(str(linked_path).replace(str(lang_dir), str(lang_dir.parent / 'en')))
if en_linked_path.exists(): if en_linked_path.exists():
if use_abs_link:
# Use absolute links WARNING: BUGS, DO NOT USE
docs_root_relative_path = en_linked_path.relative_to(lang_dir.parent)
updated_path = str(docs_root_relative_path).replace('en/', '/../')
else:
# Use relative links
steps_up = len(parent_dir.relative_to(self.base_dir).parts) steps_up = len(parent_dir.relative_to(self.base_dir).parts)
relative_path = Path('../' * steps_up) / en_linked_path.relative_to(self.base_dir) updated_path = Path('../' * steps_up) / en_linked_path.relative_to(self.base_dir)
relative_path = str(relative_path).replace('/en/', '/') updated_path = str(updated_path).replace('/en/', '/')
print(f"Redirecting link '[{text}]({path})' from {parent_dir} to {relative_path}")
return f'[{text}]({relative_path})' print(f"Redirecting link '[{text}]({path})' from {parent_dir} to {updated_path}")
return f'[{text}]({updated_path})'
else: else:
print(f"Warning: Broken link '[{text}]({path})' found in {parent_dir} does not exist in /docs/en/.") print(f"Warning: Broken link '[{text}]({path})' found in {parent_dir} does not exist in /docs/en/.")
return match.group(0) return match.group(0)
def process_markdown_file(self, md_file_path, lang_dir): def process_markdown_file(self, md_file_path, lang_dir):
@ -107,5 +115,5 @@ class MarkdownLinkFixer:
if __name__ == '__main__': if __name__ == '__main__':
# Set the path to your MkDocs 'docs' directory here # Set the path to your MkDocs 'docs' directory here
docs_dir = str(Path(__file__).parent.resolve()) docs_dir = str(Path(__file__).parent.resolve())
fixer = MarkdownLinkFixer(docs_dir, update_links=False, update_frontmatter=True, update_iframes=True) fixer = MarkdownLinkFixer(docs_dir, update_links=True, update_frontmatter=True, update_iframes=True)
fixer.run() fixer.run()