在 GitHub 上编辑页面 (EN)

Ultralytics 支持的模型

欢迎阅读 Ultralytics 的模型文档！我们提供对多种模型的支持，每种模型都专为特定任务量身定制，例如 目标检测、实例分割、语义分割、图像分类、姿态估计 和 多目标跟踪。如果你有兴趣为 Ultralytics 贡献你的模型架构，请查看我们的 贡献指南。

Ultralytics YOLO11 性能对比图

精选模型

以下是一些支持的关键模型：

  1. YOLOv3：YOLO 模型家族的第三次迭代，最初由 Joseph Redmon 开发，以其高效的实时目标检测能力而闻名。
  2. YOLOv4：YOLOv3 的 Darknet 原生更新版本，由 Alexey Bochkovskiy 于 2020 年发布。
  3. YOLOv5：Ultralytics 对 YOLO 架构的改进版本，与之前版本相比，在性能和速度上实现了更好的平衡。
  4. YOLOv6：由 美团 于 2022 年发布，并已应用于该公司许多自动配送机器人中。
  5. YOLOv7：YOLOv4 作者于 2022 年发布的更新版 YOLO 模型。仅支持推理。
  6. YOLOv8：一款多功能模型，具备 实例分割、姿态/关键点估计和分类等增强功能。
  7. YOLOv9：基于 Ultralytics YOLOv5 代码库训练的实验性模型，实现了可编程梯度信息 (PGI)。
  8. YOLOv10：由清华大学开发，具有无 NMS 训练和效率-精度驱动的架构，提供最先进的性能和延迟表现。
  9. YOLO11：Ultralytics 的 YOLO 模型，在检测、分割、姿态估计、跟踪和分类等多种任务中均表现出色。
  10. YOLO26 🚀 新功能：Ultralytics 的最新下一代 YOLO 模型，专为边缘部署优化，支持端到端无 NMS 推理。
  11. Segment Anything Model (SAM)：Meta 原创的 Segment Anything Model (SAM)。
  12. Segment Anything Model 2 (SAM2)：Meta 下一代用于视频和图像的 Segment Anything Model。
  13. Segment Anything Model 3 (SAM3) 🚀 新功能：Meta 的第三代 Segment Anything Model，具备用于文本和图像示例分割的 Promptable Concept Segmentation 功能。
  14. Mobile Segment Anything Model (MobileSAM)：庆熙大学开发的用于移动应用的 MobileSAM。
  15. Fast Segment Anything Model (FastSAM)：中国科学院自动化研究所图像与视频分析组开发的 FastSAM。
  16. YOLO-NAS：YOLO 神经架构搜索 (NAS) 模型。
  17. Real-Time Detection Transformers (RT-DETR)：百度 PaddlePaddle 的实时检测 Transformer (RT-DETR) 模型。
  18. YOLO-World：腾讯 AI Lab 开发的实时开放词汇目标检测模型。
  19. YOLOE：一种改进的开放词汇目标检测器，在保持 YOLO 实时性能的同时，能够检测训练数据之外的任意类别。


Watch: Run Ultralytics YOLO models in just a few lines of code.

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。

Note the below example spotlights YOLO11 Detect models for object detection. For additional supported tasks see the Segment, Classify and Pose docs.

示例

可以将 PyTorch 预训练的 *.pt 模型以及配置文件 *.yaml 传递给 YOLO()、SAM()、NAS() 和 RTDETR() 类，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")

贡献新模型

有兴趣向 Ultralytics 贡献你的模型吗？太棒了！我们随时欢迎扩展我们的模型库。

  1. Fork 存储库：首先 Fork Ultralytics GitHub 存储库。

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

  3. 实现你的模型：按照我们 贡献指南 中提供的编码标准和指导原则添加你的模型。

  4. 彻底测试：确保严格测试你的模型，既要独立测试，也要作为流水线的一部分进行测试。

  5. 创建 Pull Request：对你的模型满意后，创建一个 Pull Request 到主存储库以供审核。

  6. 代码审核与合并：审核后，如果你的模型符合我们的标准，它将被合并到主存储库中。

有关详细步骤，请参阅我们的 贡献指南。

常见问题 (FAQ)

什么是最新的 Ultralytics YOLO 模型？

最新的 Ultralytics YOLO 模型是 YOLO26，于 2026 年 1 月发布。YOLO26 具有端到端无 NMS 推理和优化的边缘部署功能，支持检测、实例分割、语义分割、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 都是推荐的选择。

我该如何使用自定义数据训练 YOLO 模型？

使用 Ultralytics 库可以轻松完成在自定义数据上训练 YOLO 模型。这是一个简短的示例：

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 支持哪些 YOLO 版本？

Ultralytics 支持从 YOLOv3 到 YOLO26 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、语义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。

为什么我应该使用 Ultralytics 平台进行 机器学习 项目？

Ultralytics 平台 提供了一个无代码的端到端平台，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。HUB 还提供 云端训练功能、全面的数据集管理以及适合初学者和资深开发者的用户友好界面。

Ultralytics YOLO 模型可以执行哪些类型的任务？

Ultralytics YOLO 模型功能多样，可以执行目标检测、实例分割、语义分割、分类、姿态估计和旋转目标检测 (OBB) 等任务。最新模型 YOLO26 支持所有六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。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher28LALaughing-q3Y-Y-T-G2JKjk4e1MAMatthewNoyce1

评论