中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Ultralytics YOLO 文档#
Ultralytics YOLO 是一系列实时计算机视觉模型，可用于目标检测、实例分割、语义分割、深度估计、分类、姿态估计、定向边界框和跟踪，并通过一个 Python 包和 CLI 提供。YOLO26 基于深度学习和计算机视觉领域的最新进展打造，支持可选的无 NMS 端到端推理，并针对边缘设备部署进行了优化。其精简的设计适用于各种应用，并且可以轻松适配不同的硬件平台，涵盖边缘设备和云端 API。对于稳定的生产工作负载，我们推荐使用 YOLO26 和 YOLO11。
浏览 Ultralytics 文档，全面了解 YOLO 包和 CLI，以及 Ultralytics Platform：它在相同模型的基础上增加了数据标注、云端训练和部署功能。无论你是经验丰富的机器学习从业者，还是刚刚入门，这些资源都能帮助你在项目中充分发挥 YOLO 的作用。
如需商业用途的企业许可证，请访问 Ultralytics Licensing 申请。
浏览 YOLO27 预览版，了解架构详情、初步基准测试结果，以及发布后的使用示例。模型目前正处于最终研发阶段，预计将于今年晚些时候推出；目前尚不可用，发布日期也尚未确定。
将单张照片转换为深度图，为每个像素提供以米为单位的距离。
两条命令即可开始#
# Install the ultralytics package from PyPI
pip install ultralytics
# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'模型权重和示例图片会自动下载，带标注的结果会保存到命令输出的目录中；首次运行时，该目录为 runs/detect/predict。
查看 快速入门指南，了解所有安装方式并进行首次预测。
你想做什么？#
这些文档的组织方式#
大多数模型工作流 yolo 命令都遵循同一种语法 yolo [TASK] MODE ARGS，其中 Task 是可选的；这些文档也围绕相同的三个部分组织，并额外提供一个快捷入口：
- 任务回答了你想从图像中获得什么：检测、实例分割、语义分割、深度估计、分类、姿态估计或定向边界框。
- 模式回答了你如何使用模型：训练、验证、预测、导出、跟踪或基准测试。
- **参数**用于配置命令，包括要运行的模型、使用
model=运行模型，以及设置epochs和imgsz等超参数。 - **解决方案**是快捷入口：提供现成的应用，例如目标计数或安全警报，无需设置 Task 和 Mode。
其余内容都围绕这一语法展开：模型列出了你可以传递给 model= 的所有架构——YOLO26、YOLO11、SAM 3、RT-DETR 等；数据集介绍了每项 Task 使用的训练数据；指南汇集了涵盖硬件部署、超参数调优、数据集转换和完整项目流程的深入教程；集成将工作流连接到你正在使用的训练和部署工具；参考部分则记录了 Python API 中的所有类和函数。
除了 Python 包之外，还有两个基于相同模型的平台：Ultralytics Platform，用于云端标注、训练和部署；以及 Ultralytics Inference，这是一个独立的 Rust 库和 CLI，无需 Python 运行时即可运行导出的模型。
YOLO 许可证：Ultralytics YOLO 采用什么许可证？#
Ultralytics 提供两种许可证选项，以满足不同的使用场景：
- AGPL-3.0 许可证：这是一种经 OSI 批准的开源许可证，非常适合学生和爱好者，有助于促进开放协作和知识共享。详情请参阅 LICENSE 文件。
- 企业许可证：此许可证适用于开发和生产用途，可将 Ultralytics 软件和 AI 模型无缝集成到商业产品和服务中，包括内部工具、自动化工作流和生产部署，同时免除 AGPL-3.0 的开源要求。要开始使用，请通过 Ultralytics Licensing 联系我们。
我们的许可策略旨在确保开源项目的任何改进都能回馈社区。我们相信开源，我们的使命是确保所有人都能以有益于大家的方式使用和扩展我们的贡献。
常见问题#
使用自己的数据集训练自定义 YOLO 模型，需要完成以下几个步骤：
- 准备已标注的数据集，并在数据集 YAML 文件中对其进行说明。
- 加载一个预训练模型，例如在 Python 中使用
YOLO("yolo26n.pt")。 - 使用
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)开始训练，或在命令行中使用yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640。
如需详细的操作说明，请查看训练模型指南，其中包含示例以及优化训练流程的技巧。
Ultralytics 为 YOLO 提供两种许可证选项：
- AGPL-3.0 许可证：这是一种开源许可证，非常适合教育和非商业用途，有助于促进开放协作。
- 企业许可证：适用于开发和生产用途，包括内部工具、自动化工作流和生产部署，同时免除 AGPL-3.0 的开源要求。
如需了解详情，请访问我们的许可页面。
Ultralytics YOLO 支持高效且可自定义的多目标跟踪。在 Python 中调用
YOLO("yolo26n.pt").track(source="path/to/video.mp4")，或在命令行中运行yolo track source=path/to/video.mp4——两种方式都支持视频文件、实时流和摄像头输入。如需了解目标跟踪的配置和运行方法，请查看我们的跟踪模式文档，其中介绍了实时场景中的配置和实际应用。
