Ultralytics 支持的模型#
欢迎阅读 Ultralytics 模型文档！我们支持各种模型，每种模型都针对特定任务进行了定制，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。如果你有兴趣将自己的模型架构贡献给 Ultralytics，请查看我们的贡献指南。
精选模型#
对于新项目，请从 YOLO26 开始：它是最新的 Ultralytics 版本，也是唯一覆盖全部七项任务的版本。YOLO11 是成熟的替代方案，为其支持的五项任务分别提供预训练检查点。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。
该表列出了每个已记录模型所覆盖的任务、Ultralytics 为其支持的训练、验证、预测和导出模式，以及适合选择它的场景。跟踪未单独列出：它在 Detect、Segment、Pose 和 OBB 模型的 predict 之上运行，而 SAM 2 和 SAM 3 则通过各自的视频预测器进行跟踪。基准测试也未列出，因为它会跨格式封装 export 和 val，而不是自行增加支持。
| 模型 | 任务 | 模式 | 适用场景 |
|---|---|---|---|
| YOLO26 🚀 新增 | Detect、Segment、Semantic、Depth、Classify、Pose、OBB | Train、Val、Predict、Export | 新项目：端到端无 NMS 推理、边缘优化部署，以及最广泛的任务覆盖 |
| YOLO12 | Detect、Segment、Classify、Pose、OBB | Train、Val、Predict、Export | 对以注意力机制为核心的社区版本进行基准测试；预训练权重仅覆盖检测 |
| YOLO11 | Detect、Segment、Classify、Pose、OBB | Train、Val、Predict、Export | 稳定的生产工作负载，为其支持的每项任务提供预训练检查点 |
| YOLOv10 | Detect | Train、Val、Predict、Export | 清华大学开展的无 NMS 检测研究 |
| YOLOv9 | Detect、Segment | Train、Val、Predict、Export | 可编程梯度信息（PGI），基于 Ultralytics 的 YOLOv5 代码库实现 |
| YOLOv8 | Detect、Segment、Classify、Pose、OBB | Train、Val、Predict、Export | 现有的 YOLOv8 流水线和成熟的第三方集成 |
| YOLOv7 | Detect | Predict | 运行上游训练的 YOLOv7 导出模型：该软件包从兼容的 ONNX 或 TensorRT 模型进行预测，而不是从原生检查点进行预测 |
| YOLOv6 | Detect | Train、Val、Predict、Export | 从其 YAML 训练 Meituan 的架构；Ultralytics 不提供 YOLOv6 .pt 检查点 |
| YOLOv5 | Detect | Train、Val、Predict、Export | 传统的 Ultralytics 项目；当前版本会加载更新后的 YOLOv5u 检查点 |
| YOLOv4 | 无 | 无 | 仅供架构参考：Alexey Bochkovskiy 基于 Darknet 的原生模型不受该软件包支持 |
| YOLOv3 | Detect | Train、Val、Predict、Export | 基于 Joseph Redmon 原始架构的传统项目；当前版本会加载更新后的 YOLOv3u 检查点 |
| SAM 3 🚀 新增 | Segment | Predict | Meta 的可提示概念分割模型，可根据文本或图像示例处理图像和视频；sam3.pt 需要在 Hugging Face 上获得访问批准 |
| SAM 2 | Segment | Predict | Meta 的可提示分割模型，可跨视频帧跟踪对象 |
| SAM | Segment | Predict | Meta 最初的可提示分割模型，包括自动标注功能 |
| MobileSAM | Segment | Predict | 适用于移动设备和其他资源受限设备的可提示分割（庆熙大学） |
| FastSAM | Segment | Val、Predict、Export | 当 SAM 延迟成为瓶颈时使用的基于 CNN 的可提示分割模型（中国科学院） |
| YOLO-NAS | Detect | Val、Predict、Export | Deci 的 NAS 优化检测器，保留用于推理和导出；Deci 被 NVIDIA 收购后不再维护这些模型 |
| RT-DETR | Detect | Train、Val、Predict、Export | 百度的实时 DETR 检测器：采用卷积骨干网络和混合 Transformer 编码器 |
| YOLO-World | Detect | Train、Val、Predict、Export | 根据文本提示进行开放词汇检测（腾讯 AI Lab）；导出需要 -worldv2 检查点 |
| YOLOE | Detect、Segment | Train、Val、Predict、Export | 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 |
Ultralytics 还提供 LLM，这是一个兼容 OpenAI 的大语言和视觉模型接口，用于文本和图像理解。它没有自己的任务或模式，因此未列入上表，但可以与任何 YOLO 流水线搭配使用，并连接 OpenAI 及其他云服务提供商，或完全本地部署的服务器。
Watch: Run Ultralytics YOLO models in just a few lines of code.
入门：使用示例#
此示例提供简单的 YOLO 训练和推理示例。有关这些模式及其他模式的完整文档，请参阅预测、训练、验证和导出文档页面。
请注意，下面的示例重点介绍用于目标检测的 YOLO26 Detect 模型。有关其他支持的任务，请参阅 Segment、Semantic、Depth、Classify、Pose 和 OBB 文档。
PyTorch 预训练的 *.pt 模型以及配置 *.yaml 文件可以传递给 YOLO()、SAM()、NAS() 和 RTDETR() 类，以便在 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")贡献新模型#
有兴趣向 Ultralytics 贡献你的模型吗？太好了！我们始终欢迎扩展模型组合。
-
创建仓库分支：首先，复刻 Ultralytics GitHub 仓库。
-
克隆你的复刻仓库：将你的复刻仓库克隆到本地计算机，并创建一个用于开发的新分支。
-
实现你的模型：遵循我们贡献指南中提供的编码标准和准则添加模型。
-
全面测试：确保严格测试你的模型，包括单独测试和作为流水线一部分进行测试。
-
创建拉取请求：对模型感到满意后，向主仓库创建拉取请求以供审核。
-
代码审核与合并：审核后，如果你的模型符合我们的标准，就会合并到主仓库。
有关详细步骤，请参阅我们的贡献指南。
常见问题#
使用 Ultralytics 的库可以轻松地在自定义数据上训练 YOLO 模型。下面是一个快速示例：
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)有关更详细的说明，请访问训练文档页面。
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。该软件包不发布 YOLOv4 或 YOLOv7 的权重或 YAML：YOLOv4 仅作为架构参考提供文档，而 YOLOv7 则作为导出的 ONNX 或 TensorRT 模型运行。有关每个模型可用的任务和模式，请参阅精选模型。
Ultralytics Platform 提供一个无需编程、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，让用户能够专注于模型性能和应用。它还提供云训练功能、全面的数据集管理，以及适合初学者和经验丰富开发者的易用界面。