YOLO12: обнаружение объектов с акцентом на механизмы внимания
Обзор#
Выпущенная в начале 2025 года YOLO12 представляет архитектуру, ориентированную на механизм внимания, и отходит от традиционных подходов на основе CNN, применявшихся в предыдущих моделях YOLO, сохраняя при этом скорость инференса в реальном времени, необходимую для многих приложений. Благодаря изменениям в механизмах внимания и общей архитектуре сети модель обеспечивает высокую точность обнаружения объектов. Несмотря на эти преимущества, YOLO12 остаётся разработкой сообщества и может демонстрировать нестабильность обучения, повышенное потребление памяти и более низкую пропускную способность CPU из-за ресурсоёмких блоков внимания. Поэтому для большинства производственных нагрузок Ultralytics рекомендует YOLO11 или YOLO26.
YOLO12 поддерживается преимущественно для тестирования производительности и исследований. Если тебе нужны стабильное обучение, предсказуемое использование памяти и оптимизированный инференс на CPU, выбери YOLO11 или YOLO26 для развёртывания.
Смотри: Как использовать YOLO12 для обнаружения объектов с пакетом Ultralytics | YOLO12 работает быстро или медленно?
Основные особенности#
- Механизм Area Attention: новый подход к самовниманию, который эффективно обрабатывает большие рецептивные поля. Он делит карты признаков на l областей одинакового размера (по умолчанию — 4), расположенных по горизонтали или вертикали, избегая сложных операций и сохраняя большое эффективное рецептивное поле. Это значительно снижает вычислительные затраты по сравнению со стандартным самовниманием.
- Сети агрегации признаков с остаточными связями (R-ELAN): усовершенствованный модуль агрегации признаков на основе ELAN, предназначенный для решения проблем оптимизации, особенно в более крупных моделях с акцентом на механизмы внимания. R-ELAN включает:
- Остаточные связи на уровне блоков с масштабированием (подобно масштабированию слоев).
- Переработанный метод агрегации признаков, формирующий структуру, похожую на узкое место.
- Оптимизированная архитектура внимания: YOLO12 упрощает стандартный механизм внимания для повышения эффективности и совместимости с фреймворком YOLO. В частности:
- Использование FlashAttention для минимизации накладных расходов на доступ к памяти.
- Отказ от позиционного кодирования для упрощения и ускорения модели.
- Изменение коэффициента MLP (с типичного значения 4 на 1.2 или 2) для лучшего баланса вычислений между слоями внимания и прямого распространения.
- Уменьшение глубины стека блоков для улучшения оптимизации.
- Использование свёрточных операций (где это уместно) благодаря их вычислительной эффективности.
- Добавление в механизм внимания разделимой свёртки 7x7 («позиционного перцептрона») для неявного кодирования позиционной информации.
- Комплексная поддержка задач: YOLO12 поддерживает ряд основных задач компьютерного зрения: обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение объектов с произвольной ориентацией (OBB).
- Повышенная эффективность: модель обеспечивает более высокую точность при меньшем количестве параметров по сравнению со многими предыдущими моделями, демонстрируя улучшенный баланс скорости и точности.
- Гибкое развертывание: модель разработана для развертывания на различных платформах — от периферийных устройств до облачной инфраструктуры.

Поддерживаемые задачи и режимы#
YOLO12 поддерживает различные задачи компьютерного зрения. В таблице ниже указаны поддерживаемые задачи и доступные для каждой из них рабочие режимы (обучение, валидация, инференс и экспорт):
На ultralytics/assets опубликованы только веса для обнаружения объектов (yolo12n.pt, yolo12s.pt, yolo12m.pt, yolo12l.pt, yolo12x.pt). Архитектуры сегментации, классификации, оценки позы и OBB определены в ultralytics/cfg/models/12/, поэтому эти варианты можно обучать с нуля с конфигурацией .yaml, но готовых предобученных файлов .pt для них пока нет. Для предобученных контрольных точек сегментации, оценки позы, классификации или OBB Ultralytics рекомендует YOLO11 или YOLO26.
| Тип модели | Задача | Предобученные веса | Обучение | Валидация | Инференс | Экспорт |
|---|---|---|---|---|---|---|
| YOLO12 | Обнаружение | ✅ | ✅ | ✅ | ✅ | ✅ |
| YOLO12-seg | Сегментация | ❌ | ✅ | ✅ | ✅ | ✅ |
| YOLO12-cls | Классификация | ❌ | ✅ | ✅ | ✅ | ✅ |
| YOLO12-pose | Оценка позы | ❌ | ✅ | ✅ | ✅ | ✅ |
| YOLO12-obb | OBB | ❌ | ✅ | ✅ | ✅ | ✅ |
После получения обученной контрольной точки все архитектуры YOLO12 поддерживают каждый режим. В столбце Pretrained Weights указано только, публикует ли Ultralytics официальную предобученную .pt на ultralytics/assets: для сегментации, оценки позы, классификации и OBB перед запуском инференса, валидации или экспорта нужно обучить собственную контрольную точку на основе соответствующей конфигурации .yaml.
Метрики производительности#
YOLO12 повышает точность во всех масштабах моделей, идя на некоторые компромиссы в скорости по сравнению с самыми быстрыми предыдущими моделями YOLO. Ниже приведены количественные результаты обнаружения объектов на валидационном наборе данных COCO:
Эффективность обнаружения (COCO val2017)#
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT (мс) | параметры (M) | FLOPs (B) | Сравнение (mAP/скорость) |
|---|---|---|---|---|---|---|---|
| YOLO12n | 640 | 40.6 | - | 1.64 | 2.6 | 7.5 | +2.1%/-9% (по сравнению с YOLOv10n) |
| YOLO12s | 640 | 48.0 | - | 2.61 | 9.3 | 23.3 | +0.1%/+42% (по сравнению с RT-DETRv2) |
| YOLO12m | 640 | 52.5 | - | 4.86 | 20.2 | 70.7 | +1.0%/-3% (по сравнению с YOLO11m) |
| YOLO12l | 640 | 53.7 | - | 6.77 | 26.4 | 95.4 | +0.4%/-8% (по сравнению с YOLO11l) |
| YOLO12x | 640 | 55.2 | - | 11.79 | 59.1 | 208.9 | +0.6%/-4% (по сравнению с YOLO11x) |
- Скорость инференса измерена на GPU NVIDIA T4 с точностью TensorRT FP16.
- В сравнениях показано относительное улучшение mAP и процентное изменение скорости (положительное значение означает ускорение, отрицательное — замедление). Сравнение проводится с опубликованными результатами YOLOv10, YOLO11 и RT-DETR, если они доступны.
Примеры использования#
В этом разделе приведены примеры обучения и инференса с YOLO12.
Примеры ниже посвящены моделям YOLO12 для обнаружения объектов. Информацию о других поддерживаемых задачах (сегментации, классификации, оценке позы и обнаружении объектов с произвольной ориентацией) смотри в соответствующей документации: Segment, Classify, Pose и OBB.
Предобученные модели *.pt (на основе PyTorch) и файлы конфигурации *.yaml можно передать классу YOLO(), чтобы создать экземпляр модели в Python:
from ultralytics import YOLO
# Загрузи предобученную на COCO модель YOLO12n
model = YOLO("yolo12n.pt")
# Обучить модель на демонстрационном наборе данных COCO8 в течение 100 эпох
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Запусти инференс с моделью YOLO12n на изображении 'bus.jpg'
results = model("path/to/bus.jpg")Основные улучшения#
-
Улучшенное извлечение признаков:
- Area Attention: эффективно обрабатывает большие рецептивные поля, снижая вычислительные затраты.
- Оптимальный баланс: улучшен баланс вычислений в слоях внимания и прямого распространения.
- R-ELAN: улучшает агрегацию признаков с помощью архитектуры R-ELAN.
-
Инновации в оптимизации:
- Остаточные связи: добавлены остаточные связи с масштабированием, чтобы стабилизировать обучение, особенно в крупных моделях.
- Усовершенствованная интеграция признаков: реализован улучшенный метод интеграции признаков в R-ELAN.
- FlashAttention: интегрирован FlashAttention для снижения накладных расходов на доступ к памяти.
-
Эффективность архитектуры:
- Сокращение числа параметров: по сравнению со многими предыдущими моделями число параметров снижено при сохранении или повышении точности.
- Упрощенный механизм внимания: используется упрощенная реализация механизма внимания без позиционного кодирования.
- Оптимизированные коэффициенты MLP: коэффициенты MLP скорректированы для более эффективного распределения вычислительных ресурсов.
Требования#
По умолчанию реализация Ultralytics YOLO12 не требует FlashAttention. Однако FlashAttention можно дополнительно скомпилировать и использовать с YOLO12. Для компиляции FlashAttention требуется одна из следующих моделей GPU NVIDIA:
- GPU Turing (например, T4, серия Quadro RTX)
- GPU Ampere (например, серия RTX30, A30/40/100)
- GPU Ada Lovelace (например, серия RTX40)
- Графические процессоры Hopper (например, H100/H200)
Цитирование и благодарности#
Если ты используешь YOLO12 в своих исследованиях, пожалуйста, процитируй оригинальную работу Университета в Буффало и Университета Китайской академии наук:
@inproceedings{tian2025yolov12,
title={YOLOv12: Attention-Centric Real-Time Object Detectors},
author={Tian, Yunjie and Ye, Qixiang and Doermann, David},
booktitle={Advances in Neural Information Processing Systems},
volume={38},
pages={78433--78457},
year={2025},
url={https://proceedings.neurips.cc/paper_files/paper/2025/file/7103444259031cc58051f8c9a4868533-Paper-Conference.pdf}
}
@software{yolo12,
author = {Tian, Yunjie and Ye, Qixiang and Doermann, David},
title = {YOLO12: Attention-Centric Real-Time Object Detectors},
year = {2025},
url = {https://github.com/sunsmarterjie/yolov12},
license = {AGPL-3.0}
}Статья о YOLO12 опубликована в трудах NeurIPS 2025, а её предварительная версия доступна на arXiv.
Часто задаваемые вопросы#
В YOLO12 реализовано несколько ключевых инноваций, которые обеспечивают баланс скорости и точности. Механизм Area Attention эффективно обрабатывает большие рецептивные поля, снижая вычислительные затраты по сравнению со стандартным самовниманием. Сети агрегации слоёв с эффективными остаточными связями (R-ELAN) улучшают агрегацию признаков и помогают решать задачи оптимизации в более крупных моделях с механизмом внимания в основе. Оптимизированная архитектура внимания, в том числе применение FlashAttention и отказ от позиционного кодирования, дополнительно повышает эффективность. Благодаря этим особенностям YOLO12 обеспечивает высокую точность, сохраняя необходимую многим приложениям скорость инференса в реальном времени.
YOLO12 поддерживает широкий спектр основных задач компьютерного зрения: обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение объектов с заданной ориентацией (OBB). Благодаря этому YOLO12 применима в различных областях, от робототехники и автономного вождения до медицинской визуализации и промышленного контроля. Обрати внимание: предварительно обученные веса
.ptсейчас доступны только для обнаружения объектов; архитектуры сегментации, оценки позы, классификации и OBB представлены в виде конфигураций.yamlдля обучения с нуля.YOLO12 обеспечивает более высокую точность на всех масштабах моделей по сравнению с предыдущими моделями YOLO, такими как YOLOv10 и YOLO11, но уступает некоторым из самых быстрых предшественников в скорости. Например, на валидационном наборе COCO val2017 YOLO12n повышает mAP на 2,1% относительно YOLOv10n и на 1,2% относительно YOLO11n. По сравнению с такими моделями, как RT-DETR, YOLO12s повышает mAP на 1,5% и скорость на 42%. Эти метрики демонстрируют, что YOLO12 удачно сочетает точность и эффективность.
По умолчанию реализация Ultralytics YOLO12 не требует FlashAttention. Однако FlashAttention можно дополнительно скомпилировать и использовать с YOLO12, чтобы минимизировать накладные расходы на доступ к памяти. Для компиляции FlashAttention требуется один из следующих GPU NVIDIA: Turing (например, T4, серии Quadro RTX), Ampere (например, серии RTX30, A30/40/100), Ada Lovelace (например, серии RTX40) или Hopper (например, H100/H200). Это позволяет использовать преимущества FlashAttention, если аппаратное обеспечение поддерживает эту технологию.
На этой странице приведены базовые примеры использования для обучения и инференса. В YOLO12 используются те же режимы Train, Val, Predict и Export, а также те же интерфейсы задач Segment, Classify, Pose и OBB, что и в других моделях Ultralytics.
Комментарии69
Задай вопрос, поделись результатами или помоги кому-нибудь.
Zixuan-He
I try use the YOLO12-seg, but with update to lastest version (> pip install -U ultralytics) it is still showing (No such file or directory: 'YOLO12n-seg.pt) with code (yolo segment train data=data.yaml model=YOLO12n-seg.pt epochs=200 batch=16 imgsz=640 patience=25 ). theYOLO12n.pt for obj is good. Is the code changed or need other input?
1
Glenn JocherUltralytics@Zixuan-He Answer:
The YOLO12-seg model requires using its specific configuration file. Trymodel=yolo12-seg.yamlinstead of the.ptfile to initialize training. The segmentation weights are not yet released as pretrained.ptfiles, but you can train from scratch using the YAML configuration. For details, see the YOLO12-seg documentation.2LucasGenoud
Hello, thank you for your answer ! Do you have any date estimation of when the pretrained segmentation models for YOLO12 will be available ? Thanks
Glenn JocherUltralyticsWe don't have an official release date for YOLO12-seg pretrained weights yet, but you can train segmentation models from scratch using the YOLO12-seg.yaml configuration. For updates, please monitor the YOLO12 documentation.
LucasGenoud
Thank you for your response. Great work :)
Glenn JocherUltralyticsThank you for your kind words! We don't have a specific release date for YOLO12-seg pretrained weights yet, but you can monitor the YOLO12 documentation for updates. The team typically announces new model releases there first. For now, training from scratch using the YOLO12-seg.yaml configuration remains the recommended approach.
dolokbutarbutar24
Here are some sample images for the healthy class. I also attached some "results" images, hopefully can give more information so you guys can help me with the project.
Pada Sen, 30 Mar 2026 pukul 15.58 Glenn Jocher @.***> menulis:
Thanks for dropping this question here so the Ultralytics team can see it; for leaf-disease datasets, mAP50-95 usually improves more from cleaner labels, balanced class counts, harder negative samples, and reviewing per-class PR/confusion outputs than from pushing loss weights alone, so I’d next tune weight_decay, momentum, warmup_epochs, lrf, translate, shear, perspective, fliplr, and close_mosaic using the hyperparameter tuning guide https://docs.ultralytics.com/guides/hyperparameter-tuning/ and performance metrics guide https://docs.ultralytics.com/guides/yolo-performance-metrics/. If you can share a few sample images, labels, and training curves here, we can suggest a tighter search space, and it’s also worth benchmarking the same split with YOLO26 https://docs.ultralytics.com/models/yolo26/ since YOLO12 is mainly maintained as a community research model.
— Reply to this email directly, view it on GitHub https://github.com/orgs/ultralytics/discussions/19360?email_source=notifications&email_token=A23CVICPPIXOD6F3LMBB52T4TIZKDA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCNRTG44DGNRZUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSWGM33PORSXEX3DNRUWG2Y#discussioncomment-16378369, or unsubscribe https://github.com/notifications/unsubscribe-auth/A23CVIG2PM2BD5335IFZQXT4TIZKDAVCNFSM6AAAAABXS26SR6VHI2DSMVQWIX3LMV43URDJONRXK43TNFXW4Q3PNVWWK3TUHMYTMMZXHAZTMOI . You are receiving this because you commented.Message ID: @.*** com>
Glenn JocherUltralyticsThanks, that helps; from those samples I’d next verify that the
healthylabels are fully consistent and that the class counts are not skewed, then please attach a few matching image/label.txtpairs plusresults.csvandconfusion_matrix_normalized.pngso we can check whether this is a data issue rather than a YOLO12 training issue, and if you recently fixed labels please delete anylabels/*.cachefiles before retraining.
dolokbutarbutar24
I am currently working on a project to detect cassava leaf diseases using YOLOv12. The focus of this research is to perform hyperparameter tuning and also determine the most suitable augmentation configuration to improve model performance. So far, the trained model is still hovering around the 0.5 range for the mAP@50-95 evaluation metric. Here are the hyperparameters I have used for tuning so far: epochs=100, patience=20, imgsz=1024, batch=8, optimizer='auto', lr0=0.00511, box=6.32971, cls=2.87957, dfl=2.12658, mosaic=0.25, scale=0.15, mixup=0.0, copy_paste=0.0, degrees=10.0, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4.
What other strategies can I do to improve my model's performance, especially on the mAP@50-95 evaluation metric? Do you have any suggestions for other hyperparameters that need to be added to this project for tuning? I'm sure your experience and skills can answer that and help me hahaha.
Glenn JocherUltralyticsThanks for dropping this question here so the Ultralytics team can see it; for leaf-disease datasets, mAP50-95 usually improves more from cleaner labels, balanced class counts, harder negative samples, and reviewing per-class PR/confusion outputs than from pushing loss weights alone, so I’d next tune
weight_decay,momentum,warmup_epochs,lrf,translate,shear,perspective,fliplr, andclose_mosaicusing the hyperparameter tuning guide and performance metrics guide. If you can share a few sample images, labels, and training curves here, we can suggest a tighter search space, and it’s also worth benchmarking the same split with YOLO26 since YOLO12 is mainly maintained as a community research model.
Clousy在5090 32G上使用yolo12l训练模型的时候,数据量大概7万左右,batch_size=24 内存占用在24G左右,为啥速度只有2-3it/s 是哪里设置有问题?下面是训练参数: rain_args = dict( data="data.yaml", epochs=500, imgsz=640, batch=24, device=device, workers=16,
cache=False, amp=True, # --- 减少 CPU 负担 --- mosaic=0.0, # 暂时关掉 Mosaic 看看速度是否飙升 mixup=0.0, # 同上 )
Glenn JocherUltralyticsyolo12l本身是重注意力结构,吞吐会比同尺度的 CNN 系列低不少,所以你看到的2–3 it/s在batch=24下未必异常(折算大约是48–72 img/s);如果你目标是更高训练/CPU 端速度,建议直接换到更稳更快的 Ultralytics YOLO26(YOLO12 更偏研究/基准用途,见 YOLO12 文档)。想确认是不是环境/数据读取瓶颈的话,请把yolo checks输出和完整文本训练日志(含第一轮的进度条行、CUDA:/显卡名、DataLoader相关信息)贴在这里;另外你现在cache=False可能会被磁盘 IO 卡住、workers=16在部分系统上也会造成额外调度开销,建议先用下面这组参数做一次对照测试(同一数据/同一imgsz),看it/s是否明显变化:yolo checks yolo train model=yolo12l.pt data=data.yaml epochs=2 imgsz=640 batch=24 device=0 workers=8 cache=True mosaic=0.0 mixup=0.0
dolokbutarbutar24
is there any video (tutorial) about how to classify plant disease? i'm confused about how to do it because i need guidance to do classify task
Glenn JocherUltralytics(изменено)Yes—plant disease is just a standard image classification workflow; please follow the Ultralytics YOLO classification guide (and drop any follow-up questions here in this discussion so the Ultralytics team can see them), then try:
from ultralytics import YOLO # ImageNet-pretrained classifier backbone (recommended starting point) model = YOLO("yolo26n-cls.pt") # Your dataset folder should contain train/ and val/ with one subfolder per class model.train(data="path/to/plant_disease_dataset", epochs=50, imgsz=224)If you share your dataset folder layout (just the directory tree) and what’s confusing you, I can point you to the exact next step.
asad121101
Hello , this new yolo12 is using what architecture in neck ? pan or fpn ? or some thing else ?
Sourabh0052
while working on classification model using YOLO12-cls and i do not make any .yaml file, just simply provide the data source path then will it work same or not
radadiavasu
I faced a problem that recently I put my model on training with yolo12x but at 98/100 epoch it stopped due to units are over on colab pro but when I start again and expect to start from 98 but it start from 1/100 instead of 98 even in results.csv I couldn't get anything. Why this problem occurs?
deldanr
When resuming a training session started with Yolov12, after the AMP check, the training session downloads a Yolov11 model to continue, which I assume is an error.
Attached is part of the log: YOLOv12l summary: 488 layers, 26,389,875 parameters, 26,389,859 gradients, 89.4 GFLOPs
Transferred 1245/1245 items from pretrained weights Freezing layer 'model.21.dfl.conv.weight' AMP: Running Automatic Mixed Precision (AMP) checks... Downloading https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt to 'yolo11n.pt'... <-- Here's the error
pvurda
Has anyone found a low-cost, low-latency way to generate a short semantic scene caption (e.g., “two people loading a van”) on top of YOLO12 detections in real time?