Link to this sectionYOLO12：以注意力为中心的物体检测#

Link to this section概述#

YOLO12 发布于 2025 年初，引入了以注意力为中心的架构。它摒弃了以往 YOLO 模型所采用的传统 CNN 方法，但保留了许多应用场景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上的创新方法，在保持实时性能的同时实现了高精度的物体检测。尽管具有这些优势，但 YOLO12 仍是一个社区驱动的版本，由于其沉重的注意力模块，可能会表现出训练不稳定、内存消耗较高以及 CPU 吞吐量较低等问题。因此，对于大多数生产工作负载，Ultralytics 建议使用 YOLO11 或 YOLO26。

Link to this section主要特性#

• 区域注意力机制 (Area Attention Mechanism)：一种新的自注意力方法，可以高效地处理大感受野。它将 特征图 水平或垂直地划分为 l 个大小相等的区域（默认为 4），从而避免了复杂的运算并保持了较大的有效感受野。与标准自注意力相比，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 支持多种核心计算机视觉任务：物体检测、实例分割、图像分类、姿态估计和旋转物体检测 (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。

Link to this section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）：

All YOLO12 architectures support every mode once a trained checkpoint is available. The Pretrained Weights column indicates only whether Ultralytics publishes an official pretrained .pt on ultralytics/assets: for segmentation, pose, classification, and OBB, you must train your own checkpoint from the corresponding .yaml before running inference, validation, or export.

Link to this section性能指标#

YOLO12 在所有模型规模上都表现出显著的 精度 提升，与最快的先前 YOLO 模型相比，在速度上做出了一些权衡。以下是 COCO 验证数据集上 物体检测 的量化结果：

Link to this section检测性能 (COCO val2017)#

• 推理速度是在 NVIDIA T4 GPU 上使用 TensorRT FP16 精度 测得的。
• 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。

Link to this section使用示例#

本节提供 YOLO12 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。

以下示例重点关注 YOLO12 检测 模型（用于物体检测）。对于其他支持的任务（分割、分类、旋转物体检测和姿态估计），请参考相应的任务特定文档：分割、分类、OBB 和 姿态。

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")

Link to this section主要改进#

1. 增强的 特征提取：

   • 区域注意力 (Area Attention)：高效处理大 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。

Link to this section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 GPU（例如 T4、Quadro RTX 系列）
• Ampere GPU（例如 RTX30 系列、A30/40/100）
• Ada Lovelace GPU（例如 RTX40 系列）
• Hopper GPU（例如 H100/H200）

Link to this section引用与致谢#

如果你在研究中使用 YOLO12，请引用 布法罗大学 和 中国科学院大学 的原始工作：

@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 论文已在 NeurIPS 2025 proceedings 上发表，预印本可在 arXiv 上查阅。

Link to this section常见问题解答#

Link to this sectionYOLO12 如何在保持高精度的同时实现实时物体检测？#

YOLO12 结合了多项关键创新来平衡速度和精度。区域 注意力机制 高效处理大感受野，与标准自注意力相比降低了计算成本。残差高效层聚合网络 (R-ELAN) 改进了特征聚合，解决了大型注意力中心模型的优化挑战。优化后的注意力架构，包括使用 FlashAttention 和移除位置编码，进一步提高了效率。这些特性使 YOLO12 能够实现最先进的精度，同时保持许多应用所需的实时推理速度。

Link to this sectionYOLO12 支持哪些 计算机视觉 任务？#

YOLO12 是一款功能通用的模型，支持多种核心计算机视觉任务。它在物体 检测、实例 分割、图像 分类、姿态估计 和旋转物体检测 (OBB) (查看详情) 方面表现出色。这种全面的任务支持使 YOLO12 成为从 机器人 和自动驾驶到医学影像和工业检测等各种应用的强大工具。请注意，目前仅发布了用于检测的预训练 .pt 权重；分割、姿态、分类和 OBB 架构作为 .yaml 配置文件提供，用于从头开始训练。

Link to this sectionYOLO12 与其他 YOLO 模型及 RT-DETR 等竞争对手相比如何？#

与 YOLOv10 和 YOLO11 等之前的 YOLO 模型相比，YOLO12 在所有模型规模上都展现出了显著的精度提升，尽管与最快的先前模型相比在速度上有所权衡。例如，在 COCO val2017 数据集上，YOLO12n 比 YOLOv10n 的 mAP 提升了 +2.1%，比 YOLO11n 提升了 +1.2%。与 RT-DETR 等模型相比，YOLO12s 的 mAP 提升了 +1.5%，速度大幅提升了 +42%。这些指标突显了 YOLO12 在精度和效率之间取得了良好的平衡。有关详细比较，请参阅 性能指标部分。

Link to this section运行 YOLO12 的硬件要求是什么，特别是使用 FlashAttention 时？#

默认情况下，Ultralytics YOLO12 的实现不需要 FlashAttention。但是，FlashAttention 可以选择性地编译并与 YOLO12 一起使用，以最小化内存访问开销。要编译 FlashAttention，需要以下 NVIDIA GPU 之一：Turing GPU（例如 T4、Quadro RTX 系列）、Ampere GPU（例如 RTX30 系列、A30/40/100）、Ada Lovelace GPU（例如 RTX40 系列）或 Hopper GPU（例如 H100/H200）。这种灵活性允许用户在硬件资源允许的情况下利用 FlashAttention 的优势。

Link to this section我在哪里可以找到 YOLO12 的使用示例和更详细的文档？#

本页面提供了训练和推理的基本 使用示例。有关这些模式和其他模式（包括 验证 和 导出）的全面文档，请查阅专门的 预测 和 训练 页面。有关任务特定信息（分割、分类、旋转物体检测和姿态估计），请参考相应的文档：分割、分类、OBB 和 姿态。这些资源为在各种场景中有效利用 YOLO12 提供了深入指导。