在 GitHub 上编辑页面 (EN)

Ultralytics 支持的模型

欢迎查看 Ultralytics 模型文档！我们支持多种模型，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、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

以下是一些主要支持的模型：

  1. YOLOv3：YOLO 模型家族的第三代版本，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：由 Alexey Bochkovskiy 于 2020 年发布，是 YOLOv3 的原生 Darknet 更新版本。
  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 实例分割、姿态/关键点估计和分类等增强功能。
  7. YOLOv9：一款在 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，具有无需 NMS 的训练和以效率-精度为导向的架构，可提供领先的性能和延迟表现。
  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 最新的下一代 YOLO 模型，专为边缘部署而优化，支持端到端无 NMS 推理。
  11. Segment Anything Model (SAM)：Meta 原版的 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 第三代 Segment Anything Model，具有可提示概念分割功能，支持基于文本和图像示例的分割。
  14. Mobile Segment Anything Model (MobileSAM)：由庆熙大学开发的用于移动应用的 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小组开发的 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：来自腾讯 AI 实验室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。有关这些以及其他 模式 的完整文档，请参阅 Predict、Train、Val 和 Export 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

PyTorch 预训练的 *.pt 模型以及配置文件 *.yaml 都可以传递给 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

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

  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准则添加你的模型。

  4. 彻底测试：确保在隔离环境下以及作为流水线的一部分，对你的模型进行严格测试。

  5. 创建 Pull Request：当你对模型感到满意后，创建一个指向主存储库的 Pull Request 以供审核。

  6. 代码审查与合并：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，请咨询我们的 贡献指南。

常见问题 (FAQ)

最新的 Ultralytics YOLO 模型是什么？

最新的 Ultralytics YOLO 模型是 YOLO26，于 2026 年 1 月发布。YOLO26 具备端到端无 NMS 推理、优化的边缘部署能力，并支持全部五项任务（检测、分割、分类、姿态估计和 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。

我该如何利用自定义数据训练 YOLO 模型？

使用 Ultralytics 的库可以轻松完成在自定义数据上训练 YOLO 模型的工作。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 Train 文档页面。

Ultralytics 支持哪些 YOLO 版本？

Ultralytics 支持从 YOLOv3 到 YOLO11 等广泛的 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。

为什么我应该为 机器学习 项目使用 Ultralytics 平台？

Ultralytics 平台 提供了一个用于训练、部署和管理 YOLO 模型的无代码端到端平台。它简化了复杂的工作流，使用户能够专注于模型性能和应用程序开发。HUB 还提供 云端训练功能、全面的数据集管理以及适用于初学者和经验丰富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、分类、姿态估计和定向目标检测 (OBB) 等任务。最新的 YOLO26 模型支持全部五项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-jocher27LALaughing-q3Y-Y-T-G2JKjk4e1MAMatthewNoyce1

评论