跳转至内容

Ultralytics 支持的模型

欢迎来到 Ultralytics 的模型文档！我们为各种模型提供支持，每种模型都针对特定任务量身定制，例如目标检测、实例分割、图像分类、姿势估计和多目标跟踪。如果您有兴趣将您的模型架构贡献给 Ultralytics，请查看我们的贡献指南。

Ultralytics YOLO11 对比图

以下是一些受支持的关键模型：

  1. YOLOv3：YOLO 模型系列的第三次迭代，最初由 Joseph Redmon 提出，以其高效的实时目标检测能力而闻名。
  2. YOLOv4：由 Alexey Bochkovskiy 于 2020 年发布的 YOLOv3 的 darknet 原生更新版本。
  3. YOLOv5：Ultralytics 改进的 YOLO 架构版本，与以前的版本相比，提供了更好的性能和速度权衡。
  4. YOLOv6：由美团于 2022 年发布，并已应用于该公司的许多自动送货机器人中。
  5. YOLOv7：YOLOv4 的作者于 2022 年发布的更新的 YOLO 模型。仅支持推理。
  6. YOLOv8：一种多功能模型，具有增强的功能，例如实例分割、姿势/关键点估计和分类。
  7. YOLOv9: 是在 Ultralytics YOLOv5 代码库上训练的实验模型，实现了可编程梯度信息 (PGI)。
  8. YOLOv10：由清华大学发布，采用无 NMS 训练和效率-精度驱动的架构，提供最先进的性能和延迟。
  9. YOLO11：Ultralytics 的 YOLO 模型，在 detect、segment、姿势估计、track 和分类等多项任务中提供高性能。
  10. YOLO26 🚀 新增：Ultralytics 最新的下一代 YOLO 模型，针对边缘部署进行了优化，并支持端到端无 NMS 推理。
  11. Segment Anything Model (SAM)：Meta 的原始 Segment Anything Model (SAM)。
  12. Segment Anything Model 2 (SAM2): Meta 的下一代 Segment Anything 模型，适用于视频和图像。
  13. Segment Anything Model 3 (SAM3) 🚀 新: Meta 的第三代 Segment Anything 模型，具有用于文本和图像示例分割的可提示概念分割功能。
  14. MobileSAM(移动版分割一切模型)：适用于移动应用的 MobileSAM，由 Kyung Hee University 开发。
  15. Fast Segment Anything Model (FastSAM)：FastSAM，来自中国科学院自动化研究所图像与视频分析组。
  16. YOLO-NAS: YOLO Neural Architecture Search (NAS) 模型。
  17. 实时检测 Transformer (RT-DETR): 百度 PaddlePaddle 实时 Detection Transformer (RT-DETR) 模型。
  18. YOLO-World：腾讯 AI 实验室的实时开放词汇目标检测模型。
  19. YOLOE: 一种改进的开放词汇物体检测器，在检测超出其训练数据的任意类别时，保持了 YOLO 的实时性能。



观看： 只需几行代码即可运行 Ultralytics YOLO 模型。

入门指南：使用示例

此示例提供了简单的 YOLO 训练和推理示例。有关这些和其他模式的完整文档，请参见Predict、Train、Val和Export文档页面。

请注意，以下示例重点介绍了用于对象检测的 YOLO11 Detect 模型。有关其他支持的任务，请参阅 Segment、Classify 和 姿势估计 文档。

示例

PyTorch pretrained *.pt 模型以及配置 *.yaml 文件可以传递给 YOLO(), SAM(), NAS() 和 RTDETR() classes 以在 Python 中创建模型实例：

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

可以使用 CLI 命令直接运行模型：

# Load a COCO-pretrained YOLO26n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo26n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLO26n model and run inference on the 'bus.jpg' image
yolo predict model=yolo26n.pt source=path/to/bus.jpg

贡献新模型

有兴趣向 Ultralytics 贡献您的模型吗？太棒了！我们一直乐于扩展我们的模型组合。

  1. Fork 代码仓库：首先 fork Ultralytics GitHub 代码仓库。

  2. 克隆您的 Fork：将您的 fork 克隆到本地计算机，并创建一个新分支进行开发。

  3. 实现您的模型：按照我们的贡献指南中提供的编码标准和指南添加您的模型。

  4. 充分测试：确保严格测试您的模型，包括单独测试和作为流程的一部分进行测试。

  5. 创建 Pull Request：如果您对您的模型感到满意，请创建一个 pull request 到主代码仓库以供审核。

  6. 代码审核与合并：审核通过后，如果您的模型符合我们的标准，它将被合并到主代码仓库中。

有关详细步骤，请查阅我们的贡献指南。

常见问题

最新的 Ultralytics YOLO 模型是什么？

最新的 Ultralytics YOLO 模型是YOLO26，于 2026 年 1 月发布。YOLO26 具有端到端无 NMS 推理、优化的边缘部署，并支持所有五种任务（detect、segment、分类、姿势估计和 obb）以及开放词汇版本。对于稳定的生产工作负载，YOLO26 和YOLO11 都是推荐的选择。

如何在自定义数据上训练 YOLO 模型？

使用 Ultralytics 的库可以轻松地在自定义数据上训练 YOLO 模型。这是一个快速示例：

示例

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.pt")  # or any other YOLO model

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

yolo train model=yolo26n.pt data='custom_data.yaml' epochs=100 imgsz=640

有关更详细的说明，请访问训练文档页面。

Ultralytics 支持哪些 YOLO 版本？

Ultralytics 支持从 YOLOv3 到 YOLO11 的全面 YOLO（You Only Look Once）版本，以及 YOLO-NAS、SAM 和 RT-DETR 等模型。每个版本都针对检测、分割和分类等各种任务进行了优化。有关每个模型的详细信息，请参阅Ultralytics 支持的模型文档。

我为什么要使用 Ultralytics Platform 进行机器学习项目？

Ultralytics Platform 提供了一个无代码、端到端的平台，用于训练、部署和管理 YOLO 模型。它简化了复杂的工作流程，使用户能够专注于模型性能和应用。该 HUB 还提供云训练功能、全面的数据集管理以及适用于初学者和经验丰富的开发人员的用户友好界面。

Ultralytics YOLO 模型可以执行哪些类型的任务？

Ultralytics YOLO 模型功能多样，可执行目标检测、实例分割、分类、姿势估计和旋转框检测 (OBB) 等任务。最新模型YOLO26 支持所有五种任务以及开放词汇检测。有关特定任务的详细信息，请参阅任务页面。



📅 创建于 2 年前 ✏️ 更新于 6 天前
glenn-jocherLaughing-qY-T-Gjk4eMatthewNoyce

评论