中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية

主页

隆重介绍 Ultralytics YOLO26，这是备受赞誉的实时目标检测和图像分割模型的最新版本。YOLO26 基于深度学习和计算机视觉的进步，具备端到端、无需 NMS 的推理能力以及针对边缘侧的优化部署功能。其精简的设计使其适用于多种应用场景，并可轻松适配从边缘设备到云端 API 的各种硬件平台。对于稳定的生产工作负载，我们推荐使用 YOLO26 和 YOLO11。

探索 Ultralytics 文档，这是一个全面的资源库，旨在帮助你理解并利用其功能。无论你是经验丰富的机器学习从业者，还是该领域的新手，本中心都能助你在项目中最大限度地发挥 YOLO 的潜能。

如需商业用途，请申请企业许可，详见 Ultralytics Licensing。

从哪里开始

入门指南

通过 pip 安装 ultralytics，只需几分钟即可快速上手并训练 YOLO 模型

快速入门

预测

使用 YOLO 对新图像、视频和流进行预测

了解更多

训练模型

在自定义数据集上从头训练一个新的 YOLO 模型，或加载预训练模型进行训练

了解更多

探索计算机视觉任务

发现如 detect（检测）、segment（分割）、semantic（语义分割）、classify（分类）、pose（姿态估计）、OBB（旋转框检测）和 track（跟踪）等 YOLO 任务

探索任务

探索 YOLO26 🚀 新功能

体验 Ultralytics 最新的 YOLO26 模型，具备端到端、无需 NMS 的推理和边缘优化功能

YOLO26 模型 🚀

SAM 3：基于概念的图像分割 🚀 新功能

Meta 最新的 SAM 3，支持可提示的概念分割 —— 使用文本或图像样本分割所有实例

SAM 3 模型

开源，AGPL-3.0

Ultralytics 提供两种 YOLO 许可：AGPL-3.0 和企业许可。在 GitHub 上探索 YOLO。

YOLO 许可

Watch: How to Train a YOLO26 model on Your Custom Dataset in Google Colab.

YOLO：简史

YOLO (You Only Look Once) 是一种流行的目标检测和图像分割模型，由 Joseph Redmon 和 Ali Farhadi 在华盛顿大学开发。YOLO 于 2015 年发布，因其高速度和高准确度而广受欢迎。

YOLOv2 于 2016 年发布，通过引入批量归一化、锚框 (anchor boxes) 和维度聚类改进了原始模型。
YOLOv3 于 2018 年发布，通过更高效的骨干网络、多个锚框和空间金字塔池化进一步提升了模型性能。
YOLOv4 于 2020 年发布，引入了诸如 Mosaic 数据增强、新的无锚检测头和新的损失函数等创新。
YOLOv5 进一步提高了模型性能，并增加了超参数优化、集成实验跟踪以及自动导出到流行格式等新功能。
YOLOv6 由美团于 2022 年开源，并应用于该公司的许多自动配送机器人中。
YOLOv7 增加了额外的任务，如 COCO 关键点数据集上的姿态估计。
YOLOv8 由 Ultralytics 于 2023 年发布，引入了新特性和改进，增强了性能、灵活性和效率，支持全方位的视觉 AI 任务。
YOLOv9 引入了可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 等创新方法。
YOLOv10 由清华大学研究人员使用 Ultralytics Python 软件包创建，通过引入端到端检测头，消除了非极大值抑制 (NMS) 的需求，提供了实时的目标检测进展。
YOLO11：于 2024 年 9 月发布，YOLO11 在多项任务中展现了卓越的性能，包括目标检测、分割、姿态估计、跟踪和分类，支持在各种 AI 应用和领域中部署。
YOLO26 🚀：Ultralytics 下一代 YOLO 模型，针对边缘部署进行了优化，支持端到端、无需 NMS 的推理。

YOLO 许可：Ultralytics YOLO 如何授权？

Ultralytics 提供两种许可选项以满足不同的使用场景：

AGPL-3.0 许可：这种 OSI 批准的开源许可非常适合学生和爱好者，旨在促进开放协作和知识共享。详情请参阅 LICENSE 文件。
企业许可：针对开发和生产环境，此许可支持将 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，无需遵循 AGPL-3.0 的开源要求。欲了解更多信息，请通过 Ultralytics Licensing 联系我们。

我们的许可策略旨在确保对开源项目的任何改进都能回馈给社区。我们崇尚开源，我们的使命是确保我们的贡献能以造福每个人的方式被使用和扩展。

目标检测的演进

目标检测多年来取得了巨大发展，从传统的计算机视觉技术演进为先进的深度学习模型。YOLO 模型系列一直处于这一演进的前沿，不断突破实时目标检测的极限。

YOLO 的独特方法将目标检测视为一个单一的回归问题，在一次评估中直接从完整图像中预测边界框和类别概率。这种革命性的方法使 YOLO 模型比以往的两阶段检测器快得多，同时保持了高准确度。

每一个新版本中，YOLO 都引入了架构改进和创新技术，提升了各项指标的性能。YOLO26 延续了这一传统，结合了最新的计算机视觉研究进展，具备端到端、无需 NMS 的推理能力，并为现实应用场景实现了边缘部署优化。

常见问题 (FAQ)

什么是 Ultralytics YOLO？它如何改进目标检测？

Ultralytics YOLO 是备受赞誉的 YOLO (You Only Look Once) 系列模型，用于实时目标检测和图像分割。最新模型 YOLO26 基于以往版本进行了升级，引入了端到端、无需 NMS 的推理功能，并优化了边缘侧部署。YOLO 支持多种视觉 AI 任务，如检测、实例分割、语义分割、姿态估计、跟踪和分类。其高效的架构确保了卓越的速度和精度，使其适用于从边缘设备到云端 API 的多种应用场景。

我该如何开始 YOLO 的安装和配置？

YOLO 的上手非常快速简单。你可以使用 pip 安装 Ultralytics 软件包，几分钟内即可开始运行。以下是基本安装命令：

使用 pip 安装

pip install -U ultralytics

有关全面的分步指南，请访问我们的快速入门页面。该资源将为你提供安装说明、初始设置以及运行第一个模型的指导。

如何使用自己的数据集训练自定义 YOLO 模型？

在自己的数据集上训练自定义 YOLO 模型包含以下详细步骤：

准备你的标注数据集。
在 YAML 文件中配置训练参数。
使用 yolo TASK train 命令启动训练。（每个 TASK 都有其对应的参数）

以下是目标检测任务的代码示例：

目标检测任务训练示例

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

有关详细的操作指南，请查看我们的训练模型文档，其中包含示例和优化训练过程的技巧。

Ultralytics YOLO 有哪些许可选项？

Ultralytics 为 YOLO 提供两种许可选项：

AGPL-3.0 许可：此开源许可非常适合教育和非商业用途，旨在促进开放协作。
企业许可：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，无需遵循 AGPL-3.0 的开源要求。

欲了解更多详情，请访问我们的许可页面。

Ultralytics YOLO 如何用于实时目标跟踪？

Ultralytics YOLO 支持高效且可自定义的多目标跟踪。若要使用跟踪功能，你可以使用 yolo track 命令，如下所示：

视频目标跟踪示例

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

有关设置和运行目标跟踪的详细指南，请查阅我们的跟踪模式文档，其中解释了实时场景下的配置和实际应用。

Contributors

GLglenn-jocher⁴⁷ RIRizwanMunawar⁸ PDpderrenger⁵ JKjk4e⁴ AYAyushExel³ RAraimbekovm¹ MAmatt-ultralytics¹ LALaughing-q¹ Y-Y-T-G¹ PIpicsalex¹ LELexBarou¹

Created 2023年11月12日Updated 25分钟前

主页