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

Link to this sectionUltralytics YOLO 文档#

Ultralytics YOLO 是一系列用于目标检测、实例分割、语义分割、分类、姿态估计、旋转边界框和追踪的实时计算机视觉模型，可通过一个 Python 包和 CLI 使用。YOLO26 基于深度学习和计算机视觉的进步构建，具有端到端无 NMS 推理和优化的边缘部署功能。其精简的设计使其适用于各种应用，并可轻松适应从边缘设备到云 API 的不同硬件平台。对于稳定的生产工作负载，推荐使用 YOLO26 和 YOLO11。

探索 Ultralytics 文档，这是一个涵盖 YOLO 包和 CLI 的综合资源，以及在相同模型之上增加了数据标注、云端训练和部署的 Ultralytics Platform。无论你是经验丰富的机器学习从业者还是该领域的新手，本中心旨在帮助你在项目中充分利用 YOLO。

如需商业用途的企业许可证，请访问 Ultralytics Licensing 进行申请。

🚀 新功能：知识蒸馏

利用更大的教师模型指导来训练更小的 YOLO 模型——无需额外的推理成本，只需更高的准确性。

了解更多

Link to this section通过两条命令开始#

# 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'

模型权重和示例图像会自动下载，标注结果将保存到 runs/detect/predict。

请参阅 Quickstart 指南以获取完整的安装和使用参考。

Link to this section你想做什么？#

在自己的数据集上训练模型

在自己的数据集上微调预训练的 YOLO26 模型，调整增强和超参数以进行多 GPU 训练

训练自定义模型

在你的图像或视频上运行模型

加载预训练模型，只需几行 Python 代码或一条 CLI 命令即可获取边界框、掩码或关键点

对新数据进行预测

跨视频帧追踪对象

使用内置于 YOLO26 预测管道中的 BoT-SORT 或 ByteTrack，跨视频帧追踪具有持久 ID 的对象

多目标追踪

运行现成的视觉应用程序

用于对象计数、热图、队列管理、安全警报和锻炼的现成视觉应用程序，无需训练

探索解决方案

部署你的模型

将训练好的模型导出为 ONNX、TensorRT 或 OpenVINO，以便在边缘设备、移动硬件和云服务器上进行快速推理

导出和部署

选择合适的模型

根据速度、准确度和用例比较 YOLO26、YOLO11、SAM 3、RT-DETR 以及所有其他支持的架构

浏览所有模型

查阅 Python API

查阅 Python API 的类、函数和方法签名，这些内容在每次发布新版本时都会从源代码自动生成

API 参考

新功能：YOLO26

Ultralytics 的最新模型系列提供了无 NMS 的端到端推理，并比 YOLO11 具有更好的准确度-延迟权衡

认识 YOLO26

Link to this section这些文档是如何组织的#

大多数模型工作流 yolo 命令遵循一种语法 yolo [TASK] MODE ARGS，其中任务是可选的，这些文档围绕相同的三个部分加一个快捷方式进行组织：

任务决定了你想要从图像中获得什么：目标检测、实例分割、语义分割、分类、姿态估计或旋转目标检测。
模式决定了你如何使用模型：训练、验证、预测、导出、追踪或基准测试。
Args configures the command, from which model to run with model= to hyperparameters like epochs and imgsz.
Solutions 是快捷方式：一个完成的应用程序，如对象计数或安全警报，完全跳过了任务和模式。

其他一切都支持该语法：Models 列出了你可以传递给 model= 的每种架构 — YOLO26、YOLO11、SAM 3、RT-DETR 等 — Datasets 提供了每个任务训练的数据集，Guides 是一个涵盖硬件部署、超参数调整、数据集转换和完整项目演练的深度操作指南合集，Integrations 将管道连接到你已经使用的训练和部署工具，而 Reference 部分记录了 Python API 中的每个类和函数。

除了 Python 包之外，还有两个表面运行在相同的模型上：用于云端标注、训练和部署的 Ultralytics Platform，以及用于在没有 Python 运行时的情况下运行导出模型的独立 Rust 库和 CLI Ultralytics Inference。

Link to this sectionYOLO 许可证：Ultralytics YOLO 是如何授权的？#

Ultralytics 提供两种许可选项以满足不同的使用场景：

AGPL-3.0 许可证：此经 OSI 批准的开源许可证非常适合学生和爱好者，促进了开放协作和知识共享。有关详细信息，请参阅 LICENSE 文件。
企业许可证：针对开发和生产用途，此许可证支持将 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，从而绕过 AGPL-3.0 的开源要求。如需开始使用，请通过 Ultralytics Licensing 联系我们。

我们的许可策略旨在确保对我们开源项目的任何改进都能回馈给社区。我们信仰开源，我们的使命是确保我们的贡献能以造福所有人的方式被使用和扩展。

Link to this section常见问题解答#

Link to this section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，用于实时目标检测和图像分割。最新模型 YOLO26 在前代版本的基础上，引入了端到端无 NMS 推理和优化的边缘部署。YOLO 支持各种视觉 AI 任务，例如检测、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准确性，使其适用于各种应用，包括边缘设备和云端 API。

Link to this section我该如何开始 YOLO 的安装和设置？#

开始使用 YOLO 既快速又直接。从 pip 安装 Ultralytics 包：pip install ultralytics，然后通过 yolo predict model=yolo26n.pt 运行你的第一次预测 —— 模型权重会自动下载。有关涵盖 conda、Docker 和从源码安装的详细说明，请访问 Quickstart 页面。

Link to this section我该如何在我自己的数据集上训练自定义的 YOLO 模型？#

在你的数据集上训练自定义 YOLO 模型涉及几个详细步骤：

准备好你标注过的数据集，并在数据集 YAML 文件中描述它。
加载一个预训练模型，例如在 Python 中使用 YOLO("yolo26n.pt")。
通过 model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640) 开始训练，或者从命令行使用 yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640。

有关详细的操作步骤，请查看我们的训练模型指南，其中包含优化训练过程的示例和提示。

Link to this sectionUltralytics YOLO 有哪些许可选项？#

Ultralytics 为 YOLO 提供两种许可选项：

AGPL-3.0 许可证：此开源许可证非常适合教育和非商业用途，促进开放协作。
企业许可证：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。

有关详细信息，请访问我们的许可页面。

Link to this section如何使用 Ultralytics YOLO 进行实时目标跟踪？#

Ultralytics YOLO 支持高效且可定制的多目标追踪。在 Python 中调用 YOLO("yolo26n.pt").track(source="path/to/video.mp4")，或者从命令行运行 yolo track source=path/to/video.mp4 —— 两者都适用于视频文件、实时流和网络摄像头输入。有关设置和运行对象追踪的详细指南，请查阅我们的 Track Mode 文档，其中解释了实时场景中的配置和实际应用。