Ultralytics YOLO27： 加入候补名单。
Get Started

Ultralytics 支持的模型#

Ultralytics 支持多种模型，每种模型都针对特定任务进行了优化，例如目标检测、实例分割、语义分割、深度估计、图像分类、姿态估计和有向边界框。

Ultralytics YOLO26 对比图

新项目可以从 YOLO26 开始：这是 Ultralytics 的最新版本，也是唯一覆盖全部七种任务的模型。YOLO11 是成熟的替代方案，五种任务均有预训练检查点。只有在需要可提示分割（SAM 3）、开放词汇检测（YOLOE、YOLO-World）或 Transformer 检测器（RT-DETR）时，才选择专用模型系列。

YOLO27 — 即将推出

YOLO27 正在进行最后阶段的 R&D，预计将于今年晚些时候推出，但尚未确定发布日期。预览其架构、计划支持的七种任务和初步基准测试结果。模型权重和软件包支持尚未开放；当前项目请使用 YOLO26。

此表列出了已发布的模型和架构参考资料，以及它们支持的任务、支持的 train、val、predict 和 export 模式和推荐用例。Track 未单独列出：它基于 Detect、Segment、Pose 和 OBB 模型的 predict 运行，而 SAM 2 和 SAM 3 则通过各自的视频预测器进行跟踪。Benchmark 也未单独列出，因为它会对多种格式执行 export 和 val，而不会新增自身支持的功能。

模型任务模式适用场景
YOLO26 🚀 新品检测、分割、语义分割、深度估计、分类、姿态估计、OBB训练、验证、预测、导出新项目：可选的无 NMS 推理、针对边缘设备优化的部署，以及最广泛的任务覆盖
YOLO12检测、分割、分类、姿态估计、OBB训练、验证、预测、导出用于基准测试的注意力机制社区版本；预训练权重仅覆盖检测
YOLO11检测、分割、分类、姿态估计、OBB训练、验证、预测、导出适用于稳定的生产工作负载，支持的每种任务都有预训练检查点
YOLOv10检测训练、验证、预测、导出清华大学开展的无 NMS 检测研究
YOLOv9检测、分割训练、验证、预测、导出可编程梯度信息（PGI），基于 Ultralytics YOLOv5 代码库实现
YOLOv8检测、分割、分类、姿态估计、OBB训练、验证、预测、导出现有 YOLOv8 流程和成熟的第三方集成
YOLOv7检测预测运行上游训练的 YOLOv7 导出模型：该软件包可使用兼容的 ONNX 或 TensorRT 模型进行预测，但无法使用原生检查点进行预测
YOLOv6检测训练、验证、预测、导出根据 YAML 训练 美团 的架构；Ultralytics 未托管 YOLOv6 .pt 检查点
YOLOv5检测训练、验证、预测、导出适用于旧版 Ultralytics 项目；当前版本会加载更新后的 YOLOv5u 检查点
YOLOv4无无仅供参考的架构：Alexey Bochkovskiy 基于 Darknet 的原生模型不受该软件包支持
YOLOv3检测训练、验证、预测、导出基于 Joseph Redmon 原始架构的旧版项目；当前版本会加载更新后的 YOLOv3u 检查点
SAM 3 🚀 新品分割预测Meta 推出的可提示概念分割模型，可依据文本或图像示例对图像和视频进行分割；sam3.pt 和 SAM 3.1 sam3.1_multiplex.pt（图像）需要获得 Hugging Face 访问批准
SAM 2分割预测Meta 推出的可提示分割模型，可跨视频帧跟踪物体
SAM分割预测Meta 推出的原始可提示分割模型，支持自动标注
MobileSAM分割预测适用于移动设备和其他资源受限设备的可提示分割模型（庆熙大学）
FastSAM分割验证、预测、导出当 SAM 的延迟成为瓶颈时，可使用基于 CNN 的可提示分割模型（中国科学院）
YOLO-NAS检测验证、预测、导出Deci 的 NAS 优化型检测器，保留用于推理和导出；被 NVIDIA 收购后，Deci 不再维护这些模型
RT-DETR检测训练、验证、预测、导出百度的实时 DETR 检测器：采用卷积骨干网络和混合式 Transformer 编码器
YOLO-World检测训练、验证、预测、导出根据文本提示进行开放词汇检测（腾讯 AI 实验室）；导出需要 -worldv2 检查点
YOLOE检测、分割训练、验证、预测、导出通过文本、视觉提示或无提示推理进行开放词汇检测和分割
大型语言模型

Ultralytics 还提供 LLM，这是一个兼容 OpenAI 的接口，可用于大型语言模型和视觉语言模型，以理解文本和图像。LLM 没有自己的任务或模式，因此未列在上表中，但它可以与任何 YOLO 流水线配合使用，并连接 OpenAI 和其他云服务提供商，或完全本地部署的服务器。



观看： 只需几行代码即可运行 Ultralytics YOLO 模型。

入门：用法示例#

以下示例展示了简单的 YOLO 训练和推理。

以下示例使用基于 COCO 预训练的 YOLO26n 模型进行目标检测，并在示例数据集 COCO8 上训练该模型。相同的 API 也适用于上文列出的 Segment、Semantic、Depth、Classify、Pose 和 OBB 任务。

示例

PyTorch 预训练的 *.pt 模型可传递给 YOLO()、SAM()、NAS() 和 RTDETR() 类，以便在 Python 中创建模型实例（YOLO() 和 RTDETR() 也接受 *.yaml 配置文件）：

from ultralytics import YOLO

# 加载经过 COCO 预训练的 YOLO26n 模型
model = YOLO("yolo26n.pt")

# 显示模型信息（可选）
model.info()

# 使用 COCO8 示例数据集训练模型 100 个 epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 使用 YOLO26n 模型对“bus.jpg”图像进行推理
results = model("path/to/bus.jpg")

贡献新模型#

Ultralytics 欢迎贡献新模型。要添加模型：

  1. Fork 仓库：首先，Fork Ultralytics GitHub 仓库。

  2. 克隆你的 Fork：将你的 Fork 克隆到本地计算机，并创建一个新分支进行开发。

  3. 实现你的模型：按照贡献指南中的编码标准和指南添加模型。

  4. 充分测试：分别单独测试模型，并将模型作为完整流水线的一部分进行测试。

  5. 创建拉取请求：对模型感到满意后，向主仓库提交拉取请求以供审核。

  6. 代码审查与合并：审查后，如果模型符合我们的标准，就会合并到主仓库。

常见问题#

  • 最新发布的 Ultralytics YOLO 模型是 YOLO26，于 2026 年 1 月发布。YOLO26 支持可选的无 NMS 端到端推理，针对边缘部署进行了优化，并支持检测、实例分割、语义分割、深度估计、分类、姿态估计、OBB 以及开放词汇版本。对于稳定的生产工作负载，YOLO26 和 YOLO11 都是推荐选择。

    YOLO27 是即将推出的模型系列，目前正处于最后阶段的 R&D。它尚未开放使用，也没有确定发布日期。

  • 只需几行 Python 代码或一条 CLI 命令，即可使用自定义数据训练 YOLO 模型：

    示例
    from ultralytics import YOLO

# 加载 YOLO 模型
model = YOLO("yolo26n.pt")  # 或任何其他 YOLO 模型

# 使用自定义数据集训练模型
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

    如需更详细的说明，请访问 Train 文档页面。

  • Ultralytics 原生支持 YOLOv3、YOLOv5、YOLOv6、YOLOv8、YOLOv9、YOLOv10、YOLO11、YOLO12 和 YOLO26，以及 SAM 系列（SAM 3、SAM 2、SAM、MobileSAM 和 FastSAM）、YOLO-NAS、RT-DETR、YOLO-World 和 YOLOE。该软件包不提供 YOLOv4 或 YOLOv7 的权重或 YAML 文件：YOLOv4 仅作为架构参考进行文档说明，而 YOLOv7 则以导出的 ONNX 或 TensorRT 模型运行。请参阅精选模型，了解每种模型支持的任务和模式。

  • Ultralytics Platform 是一个无需编写代码的端到端环境，可用于标注数据集，以及训练、部署和管理 YOLO 机器学习模型。它提供云端训练、数据集管理功能，以及适合初学者和经验丰富开发者的界面。

  • Ultralytics YOLO 模型可执行任务，包括目标检测、实例分割、语义分割、深度估计、分类、姿态估计和有向目标检测（OBB）。最新模型 YOLO26 支持全部七项任务，还支持开放词汇检测。

贡献者
GLglenn-jocher35RAraimbekovm4LALaughing-q3Y-Y-T-G2ONonuralpszr1BOBovey08091JKjk4e1MAMatthewNoyce1

评论