Ultralytics 支持的模型#
欢迎查看 Ultralytics 模型文档！我们支持多种模型，分别针对特定任务进行设计，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。如果你有意向 Ultralytics 贡献模型架构，请查看我们的贡献指南。
精选模型#
新项目可以从 YOLO26 开始：这是 Ultralytics 的最新版本，也是唯一覆盖全部七种任务的模型。YOLO11 是成熟的替代方案，五种任务均有预训练检查点。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。
YOLO27 正在进行最后阶段的 R&D，预计将于今年晚些时候推出，但尚未确定发布日期。预览其架构、计划支持的七种任务和初步基准测试结果。模型权重和软件包支持尚未开放；当前项目请使用 YOLO26。
此表列出了已发布的模型和架构参考资料，以及它们支持的任务、支持的 train、val、predict 和 export 模式和推荐用例。Track 未单独列出：它基于 Detect、Segment、Pose 和 OBB 模型的 predict 运行，而 SAM 2 和 SAM 3 则通过各自的视频预测器进行跟踪。Benchmark 也未单独列出，因为它会对多种格式执行 export 和 val，而不会新增自身支持的功能。
| 模型 | 任务 | 模式 | 适用场景 |
|---|---|---|---|
| YOLO26 🚀 新品 | 检测、分割、语义分割、深度估计、分类、姿态估计、OBB | 训练、验证、预测、导出 | 新项目：可选的无 NMS 推理、针对边缘设备优化的部署，以及最广泛的任务覆盖 |
| YOLO12 | 检测、分割、分类、姿态估计、OBB | 训练、验证、预测、导出 | 用于基准测试的注意力机制社区版本；预训练权重仅覆盖检测 |
| YOLO11 | 检测、分割、分类、姿态估计、OBB | 训练、验证、预测、导出 | 适用于稳定的生产工作负载，支持的每种任务都有预训练检查点 |
| YOLOv10 | 检测 | 训练、验证、预测、导出 | 清华大学开展的无 NMS 检测研究 |
| YOLOv9 | 检测、分割 | 训练、验证、预测、导出 | 可编程梯度信息（PGI），基于 Ultralytics YOLOv5 代码库实现 |
| YOLOv8 | 检测、分割、分类、姿态估计、OBB | 训练、验证、预测、导出 | 现有 YOLOv8 流程和成熟的第三方集成 |
| YOLOv7 | 检测 | 预测 | 运行上游训练的 YOLOv7 导出模型：该软件包可使用兼容的 ONNX 或 TensorRT 模型进行预测，但无法使用原生检查点进行预测 |
| YOLOv6 | 检测 | 训练、验证、预测、导出 | 根据 YAML 训练 美团 的架构；Ultralytics 未托管 YOLOv6 .pt 检查点 |
| YOLOv5 | 检测 | 训练、验证、预测、导出 | 适用于旧版 Ultralytics 项目；当前版本会加载更新后的 YOLOv5u 检查点 |
| YOLOv4 | 无 | 无 | 仅供参考的架构：Alexey Bochkovskiy 基于 Darknet 的原生模型不受该软件包支持 |
| YOLOv3 | 检测 | 训练、验证、预测、导出 | 基于 Joseph Redmon 原始架构的旧版项目；当前版本会加载更新后的 YOLOv3u 检查点 |
| SAM 3 🚀 新品 | 分割 | 预测 | Meta 推出的可提示概念分割模型，可依据文本或图像示例对图像和视频进行分割；sam3.pt 和 SAM 3.1 sam3.1_multiplex.pt（图像）需要获得 Hugging Face 访问批准 |
| SAM 2 | 分割 | 预测 | Meta 推出的可提示分割模型，可跨视频帧跟踪物体 |
| SAM | 分割 | 预测 | Meta 推出的原始可提示分割模型，支持自动标注 |
| MobileSAM | 分割 | 预测 | 适用于移动设备和其他资源受限设备的可提示分割模型（庆熙大学） |
| FastSAM | 分割 | 验证、预测、导出 | 当 SAM 的延迟成为瓶颈时，可使用基于 CNN 的可提示分割模型（中国科学院） |
| YOLO-NAS | 检测 | 验证、预测、导出 | Deci 的 NAS 优化型检测器，保留用于推理和导出；被 NVIDIA 收购后，Deci 不再维护这些模型 |
| RT-DETR | 检测 | 训练、验证、预测、导出 | 百度的实时 DETR 检测器：采用卷积骨干网络和混合式 Transformer 编码器 |
| YOLO-World | 检测 | 训练、验证、预测、导出 | 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 | 检测、分割 | 训练、验证、预测、导出 | 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，可用于理解文本和图像。它本身不包含任务或模式，因此未列入上表，但可以与任何 YOLO 流程配合使用，并连接 OpenAI 等云服务提供商，或完全本地部署的服务器。
观看： 只需几行代码即可运行 Ultralytics YOLO 模型。
入门：用法示例#
此示例展示了简单的 YOLO 训练和推理用法。有关这些及其他模式的完整文档，请参阅 Predict、Train、Val 和 Export 文档页面。
请注意，以下示例重点介绍用于目标检测的 YOLO26 Detect 模型。有关支持的其他任务，请参阅 Segment、Semantic、Depth、Classify、Pose 和 OBB 文档。
你可以将 PyTorch 预训练的 *.pt 模型以及配置 *.yaml 文件传递给 YOLO()、SAM()、NAS() 和 RTDETR() 类，在 Python 中创建模型实例：
from ultralytics import YOLO
# 加载经过 COCO 预训练的 YOLO26n 模型
model = YOLO("yolo26n.pt")
# 显示模型信息（可选）
model.info()
# 使用 COCO8 示例数据集训练模型 100 个 epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 使用 YOLO26n 模型对“bus.jpg”图像进行推理
results = model("path/to/bus.jpg")贡献新模型#
有意向 Ultralytics 贡献模型吗？太好了！我们始终欢迎扩展模型组合。
-
Fork 仓库：首先，Fork Ultralytics GitHub 仓库。
-
克隆你的 Fork：将你的 Fork 克隆到本地计算机，并创建一个新分支进行开发。
-
实现你的模型：按照贡献指南中的编码标准和指南添加模型。
-
全面测试：确保对模型进行严格测试，包括独立测试和作为流程一部分进行测试。
-
创建拉取请求：对模型感到满意后，向主仓库提交拉取请求以供审核。
-
代码审查与合并：审查后，如果模型符合我们的标准，就会合并到主仓库。
详细步骤请参阅我们的贡献指南。
常见问题#
使用 Ultralytics 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 # 加载 YOLO 模型 model = YOLO("yolo26n.pt") # 或任何其他 YOLO 模型 # 使用自定义数据集训练模型 results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)如需更详细的说明，请访问 Train 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。该软件包不提供 YOLOv4 或 YOLOv7 的权重或 YAML 文件：YOLOv4 仅作为架构参考进行文档说明，而 YOLOv7 则以导出的 ONNX 或 TensorRT 模型运行。请参阅精选模型，了解每种模型支持的任务和模式。
Ultralytics Platform 提供无代码端到端平台，用于训练、部署和管理 YOLO 模型。它简化了复杂的工作流程，让用户能够专注于模型性能和应用。此外，它还提供云端训练功能、全面的数据集管理，以及适合新手和资深开发者的易用界面。