YOLO12：以注意力机制为核心的目标检测#

概述#

YOLO12 于 2025 年初发布，采用以注意力机制为核心的架构，与此前 YOLO 模型采用的传统 CNN 架构不同，同时保留了许多应用所必需的实时推理速度。该模型通过注意力机制和整体网络架构方面的新方法创新，实现了高精度目标检测，同时保持实时性能。尽管具备这些优势，YOLO12 仍是由社区驱动的版本，可能存在训练不稳定、内存占用较高，以及因注意力模块较重而导致 CPU 吞吐量较低等问题，因此 Ultralytics 建议大多数生产工作负载使用 YOLO11 或 YOLO26。

主要功能#

• 区域注意力机制：一种新的自注意力方法，可高效处理较大的感受野。它会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 个），从而避免复杂操作并保持较大的有效感受野。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 改进的特征聚合模块，旨在解决优化难题，尤其适用于更大规模、以注意力机制为核心的模型。R-ELAN 引入了：
  • 带缩放的块级残差连接（类似于层缩放）。
  • 重新设计的特征聚合方法，形成类似瓶颈的结构。
• 优化的注意力架构：YOLO12 精简了标准注意力机制，使其效率更高，并能更好地兼容 YOLO 框架。具体包括：
  • 使用 FlashAttention 尽可能减少内存访问开销。
  • 移除位置编码，让模型更简洁、速度更快。
  • 调整 MLP 比例（从通常的 4 调整为 1.2 或 2），更好地平衡注意力层和前馈层之间的计算量。
  • 减少堆叠块的深度，以改善优化效果。
  • 在适当情况下利用卷积操作，以发挥其计算效率优势。
  • 在注意力机制中加入 7x7 可分离卷积（“位置感知器”），以隐式编码位置信息。
• 全面支持各类任务：YOLO12 支持多种计算机视觉核心任务：目标检测、实例分割、图像分类、姿态估计和有向目标检测（OBB）。
• 效率提升：与许多此前的模型相比，该模型以更少的参数实现了更高的精度，体现出速度和精度之间更出色的平衡。
• 灵活部署：专为在各种平台上部署而设计，涵盖边缘设备到云基础设施。

支持的任务和模式#

YOLO12 支持多种计算机视觉任务。下表展示了各项任务的支持情况，以及对应启用的运行模式（推理、验证、训练和导出）：

所有 YOLO12 架构在有可用的训练后检查点时均支持所有模式。Pretrained Weights 列仅表示 Ultralytics 是否在 ultralytics/assets 发布了官方预训练 .pt：对于分割、姿态、分类和 OBB，你必须先根据相应的 .yaml 训练自己的检查点，然后才能运行推理、验证或导出。

性能指标#

YOLO12 在所有模型规模上都显著提升了精度，但与此前速度最快的 YOLO 模型相比，速度有所取舍。以下是 COCO 验证数据集上的目标检测定量结果：

检测性能（COCO val2017）#

• 使用 TensorRT FP16 精度，在 NVIDIA T4 GPU 上测得的推理速度。
• 对比结果显示了 mAP 的相对提升以及速度的变化百分比（正值表示更快，负值表示更慢）。在有可用数据的情况下，对比采用 YOLOv10、YOLO11 和 RT-DETR 已发布的结果。

使用示例#

本节提供使用 YOLO12 进行训练和推理的示例。如需了解这些模式及其他模式（包括验证和导出）的完整文档，请参阅专门的预测和训练页面。

以下示例侧重于 YOLO12 Detect 模型（用于目标检测）。有关其他支持的任务（分割、分类、姿态估计和有向目标检测），请参阅相应的任务专属文档：Segment、Classify、Pose 和 OBB。

from ultralytics import YOLO

# 加载 COCO 预训练的 YOLO12n 模型
model = YOLO("yolo12n.pt")

# 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 YOLO12n 模型对 'bus.jpg' 图像运行推理
results = model("path/to/bus.jpg")

主要改进#

1. 增强的特征提取：

   • 区域注意力：高效处理较大的感受野，降低计算成本。
   • 平衡优化：改善注意力计算与前馈网络计算之间的平衡。
   • R-ELAN：通过 R-ELAN 架构增强特征聚合。

2. 优化创新：

   • 残差连接：引入带缩放的残差连接来稳定训练，尤其适用于较大的模型。
   • 改进的特征融合：在 R-ELAN 中实现了改进的特征融合方法。
   • FlashAttention：集成 FlashAttention，以减少内存访问开销。

3. 架构效率：

   • 减少参数：与许多此前的模型相比，在保持或提升精度的同时实现了更少的参数。
   • 精简注意力机制：采用简化的注意力实现，避免使用位置编码。
   • 优化 MLP 比例：调整 MLP 比例，以更有效地分配计算资源。

要求#

默认情况下，Ultralytics YOLO12 实现不需要 FlashAttention。不过，你可以选择编译 FlashAttention 并将其用于 YOLO12。要编译 FlashAttention，需要具备以下 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）

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研究：

@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 论文已发表于 NeurIPS 2025 论文集，预印本可在 arXiv 查阅。

常见问题#