YOLO12：以注意力为中心的物体检测#

概述#

于2025年初发布的 YOLO12 引入了一种以注意力为核心的架构，它打破了以往 YOLO 模型中使用的传统基于 CNN 的方法，同时保留了许多应用所必需的实时推理速度。该模型通过在注意力机制和整体网络架构方面的新方法创新，在保持实时性能的同时实现了很高的目标检测准确率。尽管有这些优势，YOLO12 仍然是一个由社区驱动的版本，由于其沉重的注意力模块，可能会表现出训练不稳定、内存消耗增加以及 CPU 吞吐量变慢的情况，因此 Ultralytics 建议在大多数生产工作负载中使用 YOLO11 或 YOLO26。

主要特性#

• 区域注意力机制：一种能够高效处理大型感受野的新型自注意力方法。它将特征图水平或垂直划分为 l 个大小相等的区域（默认为4），避免了复杂的运算并维持了较大的有效感受野。与标准的自注意力相比，这显著降低了计算成本。
• 残差高效层聚合网络 (R-ELAN)：一种基于 ELAN 的改进型特征聚合模块，旨在解决优化挑战，特别是在更大规模的注意力中心模型中。R-ELAN 引入了：
  • 具有缩放功能的块级残差连接（类似于层缩放）。
  • 一种重新设计的特征聚合方法，创建了类似瓶颈的结构。
• 优化后的注意力架构：YOLO12 精简了标准注意力机制，以提高效率并增强与 YOLO 框架的兼容性。这包括：
  • 使用 FlashAttention 以最小化内存访问开销。
  • 移除位置编码，使模型更简洁、更快速。
  • 调整 MLP 比率（从典型的 4 调整为 1.2 或 2），以更好地平衡注意力层和前馈层之间的计算。
  • 减少堆叠块的深度以改进优化。
  • 在适当的情况下利用卷积运算，以获得计算效率。
  • 在注意力机制中添加 7x7 可分离卷积（“位置感知器”），以隐式地编码位置信息。
• 全面的任务支持：YOLO12 支持一系列核心计算机视觉任务：目标检测、实例分割、图像分类、姿态估计和有向目标检测 (OBB)。
• 更高的效率：与许多先前的模型相比，它在参数更少的情况下实现了更高的精度，展现了速度与精度之间更好的平衡。
• 灵活的部署：专为跨多种平台部署而设计，从边缘设备到云基础设施均可运行。

支持的任务和模式#

YOLO12 支持多种计算机视觉任务。下表显示了任务支持情况以及为每项任务启用的操作模式（推理、验证、训练和导出）：

一旦有训练好的检查点，所有的 YOLO12 架构都支持每种模式。Pretrained Weights 列仅表示 Ultralytics 是否在 ultralytics/assets 上发布了官方预训练的 .pt：对于分割、姿态、分类和 OBB，你必须在运行推理、验证或导出之前，从相应的 .yaml 训练你自己的检查点。

性能指标#

YOLO12 在所有模型规模上都展示了显着的准确率提升，与最快的先前 YOLO 模型相比，速度上做了一些权衡。以下是 COCO 验证数据集上目标检测的定量结果：

检测性能 (COCO val2017)#

• 在配备 TensorRT FP16 精度的 NVIDIA T4 GPU 上测得的推理速度。
• 比较显示了 mAP 的相对提升和速度的百分比变化（正数表示更快；负数表示更慢）。比较是针对在可能的情况下 YOLOv10、YOLO11 和 RT-DETR 已发表的结果进行的。

使用示例#

本节提供使用 YOLO12 进行训练和推理的示例。有关这些模式和其他模式（包括验证和导出）的更全面文档，请查阅专门的预测和训练页面。

以下示例重点介绍 YOLO12 Detect 模型（用于目标检测）。对于其他支持的任务（分割、分类、姿态估计和有向目标检测），请参考各自的任务专用文档：Segment、Classify、Pose 和 OBB。

from ultralytics import YOLO

# Load a COCO-pretrained YOLO12n model
model = YOLO("yolo12n.pt")

# 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 YOLO12n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

主要改进#

1. 增强的特征提取：

   • 区域注意力：高效处理大型感受野，降低计算成本。
   • 优化平衡：改进了注意力网络和前馈网络计算之间的平衡。
   • R-ELAN：使用 R-ELAN 架构增强特征聚合。

2. 优化创新：

   • 残差连接：引入带有缩放的残差连接以稳定训练，特别是在大型模型中。
   • 精细的特征集成：在 R-ELAN 中实现了一种改进的特征集成方法。
   • FlashAttention：加入 FlashAttention 以减少内存访问开销。

3. 架构效率：

   • 减少参数：与许多之前的模型相比，在保持或提高精度的同时实现了更低的参数量。
   • 精简注意力：使用简化的注意力实现，避免了位置编码。
   • 优化 MLP 比率：调整 MLP 比率以更有效地分配计算资源。

要求#

Ultralytics YOLO12 的实现默认不需要 FlashAttention。但是，FlashAttention 可以选择性地编译并与 YOLO12 一起使用。要编译 FlashAttention，需要以下 NVIDIA GPU 之一：

• Turing GPUs（例如 T4、Quadro RTX 系列）
• Ampere GPUs（例如 RTX30 系列、A30/40/100）
• Ada Lovelace GPUs（例如 RTX40 系列）
• Hopper GPUs（例如 H100/H200）

引用与致谢#

如果你在研究中使用了 YOLO12，请引用 University at Buffalo 和 University of Chinese Academy of Sciences 的原著：

@inproceedings{tian2025yolov12,
  title={YOLOv12: Attention-Centric Real-Time Object Detectors},
  author={Tian, Yunjie and Ye, Qixiang and Doermann, David},
  booktitle={Advances in Neural Information Processing Systems},
  volume={38},
  pages={78433--78457},
  year={2025},
  url={https://proceedings.neurips.cc/paper_files/paper/2025/file/7103444259031cc58051f8c9a4868533-Paper-Conference.pdf}
}

@software{yolo12,
  author = {Tian, Yunjie and Ye, Qixiang and Doermann, David},
  title = {YOLO12: Attention-Centric Real-Time Object Detectors},
  year = {2025},
  url = {https://github.com/sunsmarterjie/yolov12},
  license = {AGPL-3.0}
}

YOLO12 论文发表在 NeurIPS 2025 proceedings 上，预印本发布在 arXiv 上。

常见问题解答#