Ultralytics 支持的模型#
欢迎阅读 Ultralytics 的模型文档！我们支持广泛的模型，每个模型都专门针对特定任务量身定制，例如目标检测、实例分割、语义分割、深度估计、图像分类、姿态估计和多目标跟踪。如果你有兴趣将你的模型架构贡献给 Ultralytics，请查看我们的贡献指南。
特色模型#
新项目请从 YOLO26 开始：这是最新的 Ultralytics 版本，也是唯一涵盖全部七项任务的版本。YOLO11 是成熟的替代方案，其五项任务均提供预训练检查点。只有在需要提示式分割（SAM 3）、开放词汇检测（YOLOE，YOLO-World）或 transformer 检测器（RT-DETR）时，才选择专门的系列。
该表格列出了每个有文档记录的模型及其涵盖的任务、Ultralytics 支持的训练、验证、预测和导出模式，以及选择它的时机。跟踪未单独列出：它在 Detect、Segment、Pose 和 OBB 模型的预测之上运行，而 SAM 2 和 SAM 3 则通过其自身的视频预测器进行跟踪。基准测试也没有列出，因为它跨格式包装了导出和验证，而不是添加自己的支持。
| 模型 | 任务 | 模式 | 选择它的理由 |
|---|---|---|---|
| YOLO26 🚀 NEW | 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范围 |
| YOLO12 | Detect、Segment、Classify、Pose、OBB | Train、Val、Predict、Export | 对以注意力机制为中心的社区版本进行基准测试；预训练权重仅涵盖检测 |
| 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 | 检测 | Train、Val、Predict、Export | 来自清华大学的无 NMS 检测研究 |
| YOLOv9 | Detect、Segment | Train、Val、Predict、Export | 可编程梯度信息 (PGI)，在 Ultralytics YOLOv5 代码库上实现 |
| YOLOv8 | Detect、Segment、Classify、Pose、OBB | Train、Val、Predict、Export | 现有的 YOLOv8 管道和成熟的第三方集成 |
| YOLOv7 | 检测 | 预测 | 运行上游训练的 YOLOv7 导出：该软件包根据兼容的 ONNX 或 TensorRT 模型进行预测，绝不从原生检查点预测 |
| YOLOv6 | 检测 | Train、Val、Predict、Export | 从其 YAML 训练美团的架构；Ultralytics 不托管任何 YOLOv6 .pt 检查点 |
| YOLOv5 | 检测 | Train、Val、Predict、Export | 遗留的 Ultralytics 项目；当前版本加载更新的 YOLOv5u 检查点 |
| YOLOv4 | 无 | 无 | 仅作为架构参考：Alexey Bochkovskiy 的 Darknet 原生模型不受该软件包支持 |
| YOLOv3 | 检测 | Train、Val、Predict、Export | 基于 Joseph Redmon 原始架构的遗留项目；当前版本加载更新的 YOLOv3u 检查点 |
| SAM 3 🚀 NEW | 分割 | 预测 | Meta 的图像和视频提示式概念分割，来自文本或图像示例；sam3.pt 需要在 Hugging Face 上获得访问批准 |
| SAM 2 | 分割 | 预测 | Meta 的提示式分割，跨视频帧跟踪对象 |
| SAM | 分割 | 预测 | Meta 最初的提示式分割，包括自动标注 |
| MobileSAM | 分割 | 预测 | 在移动设备和其他资源受限设备上的提示式分割（庆熙大学） |
| FastSAM | 分割 | Val、Predict、Export | 当 SAM 延迟成为瓶颈时的基于 CNN 的提示式分割（中国科学院） |
| YOLO-NAS | 检测 | Val、Predict、Export | Deci 优化 NAS 的检测器，保留用于推理和导出；Deci 在被 NVIDIA 收购后不再对其进行维护 |
| RT-DETR | 检测 | Train、Val、Predict、Export | 百度的实时 DETR 检测器：带有混合 transformer 编码器的卷积主干 |
| YOLO-World | 检测 | Train、Val、Predict、Export | 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 | Detect、Segment | Train、Val、Predict、Export | 使用文本、视觉或免提示推理进行开放词汇检测和分割 |
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。有关这些和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，以下示例重点介绍了用于目标检测的 YOLO26 Detect 模型。有关其他受支持的任务，请参阅 Segment、Semantic、Depth、Classify、Pose 和 OBB 文档。
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#
有兴趣为 Ultralytics 贡献你的模型吗？太棒了！我们始终欢迎扩充我们的模型库。
-
Fork 仓库：首先 Fork Ultralytics GitHub 仓库。
-
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。
-
实现你的模型：按照我们的贡献指南中提供的编码标准和准则添加你的模型。
-
彻底测试：确保严格测试你的模型，包括独立测试和作为管道的一部分进行测试。
-
创建 Pull Request：对你的模型满意后，创建一个针对主仓库的 Pull Request 以供审核。
-
代码审查与合并：经过审核后，如果你的模型符合我们的标准，它将被合并到主仓库中。
有关详细步骤，请查阅我们的贡献指南。
常见问题解答#
最新的 Ultralytics YOLO 模型是什么？#
最新的 Ultralytics YOLO 模型是于 2026 年 1 月发布的 YOLO26。YOLO26 具有端到端无 NMS 推理、优化的边缘部署，并支持检测、实例分割、语义分割、深度估计、分类、姿态估计、OBB 以及开放词汇表版本。对于稳定的生产工作负载，建议选择 YOLO26 和 YOLO11。
如何使用自定义数据训练 YOLO 模型？#
使用 Ultralytics 库可以轻松实现基于自定义数据的 YOLO 模型训练。以下是一个简短示例：
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 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 仅作为架构参考记录，而 YOLOv7 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。
为什么我应该在机器学习项目中使用 Ultralytics Platform？#
Ultralytics Platform 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。它还为初学者和经验丰富的开发人员提供云端训练功能、全面的数据集管理和用户友好的界面。
Ultralytics YOLO 模型可以执行哪些类型的任务？#
Ultralytics YOLO 模型用途广泛，可以执行目标检测、实例分割、语义分割、深度估计、分类、姿态估计和定向目标检测 (OBB) 等任务。最新模型 YOLO26 支持所有七项任务加上开放词汇表检测。有关特定任务的详细信息，请参考任务页面。