企业级安全防护： 符合 ISO 27001 + SOC 2 Type I 标准。

Link to this sectionUltralytics 支持的模型#

欢迎查看 Ultralytics 的模型文档！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、语义分割、深度估计、图像分类、姿态估计 和 多目标跟踪。如果你有兴趣为 Ultralytics 贡献模型架构，请查看我们的 贡献指南。

Ultralytics YOLO11 性能对比图

Link to this section特色模型#

以下是支持的一些关键模型：

  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：这是对 YOLOv3 的 Darknet 原生更新，由 Alexey Bochkovskiy 于 2020 年发布。
  3. YOLOv5：由 Ultralytics 改进的 YOLO 架构版本，与之前版本相比，在性能和速度上实现了更好的权衡。
  4. YOLOv6：由 美团 于 2022 年发布，目前已应用于该公司旗下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. YOLOv8：一种功能通用的模型，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（NMS-free）训练和以效率-准确率为导向的架构，提供了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 🚀 新增：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. 分割一切模型 (SAM)：Meta 最初的 Segment Anything Model (SAM)。
  12. 分割一切模型 2 (SAM2)：Meta 面向视频和图像的下一代 Segment Anything Model。
  13. 分割一切模型 3 (SAM3) 🚀 新增：Meta 第三代 Segment Anything Model，支持文本和图像示例驱动的提示式概念分割。
  14. 移动端分割一切模型 (MobileSAM)：由庆熙大学开发的适用于移动应用程序的 MobileSAM。
  15. 快速分割一切模型 (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. 实时检测 Transformer (RT-DETR)：百度 PaddlePaddle 的实时检测 Transformer (RT-DETR) 模型。
  18. YOLO-World：腾讯 AI Lab 推出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，它在保持 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.

Link to this section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。有关这些内容及其他 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 *.yaml 文件传递给 YOLO()、SAM()、NAS() 和 RTDETR() 类，从而在 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")

Link to this section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：首先从 Ultralytics GitHub 仓库 Fork 出一个副本。

  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：按照我们在 贡献指南 中提供的编码标准和规范添加你的模型。

  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，请参阅我们的 贡献指南。

Link to this section常见问题解答#

Link to this section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 推理和优化的边缘部署功能，支持检测、实例分割、语义分割、深度估计、分类、姿态估计、OBB 以及开放词汇版本。对于稳定的生产工作负载，YOLO26 和 YOLO11 都是推荐的选择。

Link to this section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)

如需更详细的说明，请访问 训练 文档页面。

Link to this sectionUltralytics 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、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，请参阅 Ultralytics 支持的模型 文档。

Link to this section为什么要使用 Ultralytics 平台进行 机器学习 项目？#

Ultralytics 平台 提供了一个无代码、端到端的平台，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人员的易用界面。

Link to this sectionUltralytics 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、深度估计、分类、姿态估计和旋转目标检测 (OBB) 等任务。最新模型 YOLO26 支持所有七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。

贡献者
GLglenn-jocher28LALaughing-q3Y-Y-T-G2BOBovey08091JKjk4e1MAMatthewNoyce1

评论