YOLO12：以注意力机制为核心的目标检测#

概述#

YOLO12 于 2025 年初发布，引入了以注意力机制为核心的架构，区别于此前 YOLO 模型采用的传统基于 CNN 的方法，同时保留了许多应用所必需的实时推理速度。该模型通过注意力机制和整体网络架构方面的新颖方法创新，在保持实时性能的同时实现了较高的目标检测精度。尽管具备这些优势，YOLO12 仍是一个由社区驱动的版本，可能存在训练不稳定、内存消耗较高以及由于注意力模块规模较大而导致 CPU 吞吐速度较慢等问题，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：一种新的自注意力方法，可高效处理大型感受野。它会将特征图沿水平方向或垂直方向划分为 l 个大小相等的区域（默认为 4 个），避免复杂操作，同时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 的改进型特征聚合模块，旨在解决优化难题，尤其适用于更大规模的注意力机制模型。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 对标准注意力机制进行了简化，以提高效率并增强与 YOLO 框架的兼容性。这包括：
  • 使用 FlashAttention，最大限度地减少内存访问开销。
  • 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量。
  • 减少堆叠块的深度，以改进优化效果。
  • 在适用情况下利用卷积操作，因为其计算效率更高。
  • 在注意力机制中加入 7x7 可分离卷积（即“位置感知器”），以隐式编码位置信息。
• 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、姿态估计和定向目标检测（OBB）。
• 增强的效率：与许多此前的模型相比，使用更少的参数实现了更高的精度，展现出速度与精度之间更优的平衡。
• 灵活部署：支持在各种平台上部署，从边缘设备到云基础设施均可使用。

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，以及为每项任务启用的运行模式（推理、验证、训练和导出）：

所有 YOLO12 架构在具备经过训练的检查点后都支持每种模式。Pretrained Weights 列仅表示 Ultralytics 是否在 ultralytics/assets 上发布了官方预训练 .pt：对于分割、姿态、分类和 OBB，你必须先根据对应的 .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展现出显著的精度提升，但与此前速度最快的 YOLO 模型相比，在速度方面存在一定取舍。以下是其在 COCO 验证数据集上进行目标检测的量化结果：

检测性能（COCO val2017）#

• 推理速度是在配备 TensorRT FP16精度的 NVIDIA T4 GPU 上测得的。
• 对比结果展示了 mAP 的相对提升以及速度的百分比变化（正值表示更快；负值表示更慢）。对比基于可获取的 YOLOv10、YOLO11 和 RT-DETR 已发布结果。

使用示例#

本节提供了使用 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。

以下示例重点介绍 YOLO12检测模型（用于目标检测）。对于其他受支持的任务（分割、分类、姿态估计和定向目标检测），请参阅相应的任务专属文档：分割、分类、姿态和 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。
   • 优化的平衡：改进注意力计算与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：引入带缩放的残差连接以稳定训练，尤其适用于较大的模型。
   • 改进的特征融合：在 R-ELAN 中实现改进的特征融合方法。
   • FlashAttention：引入 FlashAttention 以降低内存访问开销。

3. 架构效率：

   • 减少参数：在保持或提升精度的同时，与许多之前的模型相比实现更少的参数量。
   • 简化注意力：使用简化的注意力实现，避免使用位置编码。
   • 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 实现默认不需要 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）

引用和致谢#

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 论文发表于 NeurIPS 2025 会议论文集，并在 arXiv 上提供了预印本。

常见问题#