企业级安全性： 已通过 ISO 27001 和 SOC 2 Type I 合规。

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。

Ultralytics YOLO11 Comparison Plots

特色模型#

以下是支持的一些关键模型：

  1. YOLOv3：YOLO 模型系列的第三个版本，最初由 Joseph Redmon 开发，以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，与以前的版本相比，在性能和速度上取得了更好的平衡。
  4. YOLOv6：由美团于 2022 年发布，并应用于该公司的许多自动配送机器人中。
  5. YOLOv7：由 YOLOv4 的作者于 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，具有增强的功能，例如实例分割、姿态/关键点估计和分类。
  7. YOLOv9：在 Ultralytics YOLOv5 代码库上训练的实验性模型，实现了可编程梯度信息 (PGI)。
  8. YOLOv10：由清华大学开发，采用无 NMS（NMS-free）训练和效率-准确度驱动的架构，可提供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、跟踪和分类等多个任务中提供高性能。
  10. YOLO26 🚀 NEW：Ultralytics 最新的下一代 YOLO 模型，针对边缘部署进行了优化，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)：用于视频和图像的 Meta Segment Anything Model 的下一代产品。
  13. Segment Anything Model 3 (SAM3) 🚀 NEW：Meta 的第三代 Segment Anything Model，具有基于文本和图像示例的提示式概念分割（Promptable Concept Segmentation）功能。
  14. Mobile Segment Anything Model (MobileSAM)：由庆熙大学开发的用于移动应用程序的 MobileSAM。
  15. Fast Segment Anything Model (FastSAM)：由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)：百度的 PaddlePaddle 实时检测 Transformer (RT-DETR) 模型。
  18. YOLO-World：来自腾讯 AI 实验室的实时开放词汇表目标检测模型。
  19. YOLOE：一个改进的开放词汇表目标检测器，在保持 YOLO 实时性能的同时，能够检测超出其训练数据的任意类别。


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object detection的 YOLO11 Detect 模型。有关其他支持的任务，请参阅 Segment、Classify 和 Pose 文档。

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。

  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：按照我们的贡献指南中提供的编码标准和准则添加你的模型。

  4. 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。

  5. 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。

  6. 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：

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 的全系列 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、深度估计和分类等各种任务进行了优化。有关每个模型的详细信息，请参考Models Supported by Ultralytics文档。

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。

贡献者
GLglenn-jocher29LALaughing-q3Y-Y-T-G2BOBovey08091JKjk4e1MAMatthewNoyce1

评论