YOLO12：以注意力为中心的目标检测

Q: How does YOLO12 achieve real-time object detection while maintaining high accuracy?

YOLO12 融合了多项关键创新，以平衡速度和准确性。区域 注意力机制 有效地处理大型感受野，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，解决了更大规模的以注意力为中心的模型中的优化挑战。优化的注意力架构，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 能够在保持对许多应用至关重要的实时推理速度的同时，实现最先进的准确性。

概述

YOLO12 引入了一种以注意力为中心的架构，它脱离了之前 YOLO 模型中使用的传统 CNN 方法，但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创新方法，实现了最先进的目标检测精度，同时保持了实时性能。

观看： 如何使用 Ultralytics 软件包将 YOLO12 用于对象检测 | YOLO12 速度快还是慢？🚀

主要功能

区域注意力机制: 一种新的自注意力方法，可以有效地处理大型感受野。它将特征图分成 l 个大小相等的区域（默认为 4 个），水平或垂直，避免复杂的运算并保持较大的有效感受野。与标准自注意力相比，这大大降低了计算成本。
残差高效层聚合网络（R-ELAN）：一种基于 ELAN 的改进的特征聚合模块，旨在解决优化挑战，尤其是在更大规模的以注意力为中心的模型中。R-ELAN 引入：
- 具有缩放的块级残差连接（类似于层缩放）。
- 一种重新设计的特征聚合方法，创建了一个类似瓶颈的结构。
优化的注意力机制架构：YOLO12 精简了标准注意力机制，以提高效率并与 YOLO 框架兼容。这包括：
- 使用 FlashAttention 来最大限度地减少内存访问开销。
- 移除位置编码，以获得更简洁、更快速的模型。
- 调整 MLP 比率（从典型的 4 调整到 1.2 或 2），以更好地平衡注意力和前馈层之间的计算。
- 减少堆叠块的深度以改进优化。
- 利用卷积运算（在适当的情况下）以提高其计算效率。
- 在注意力机制中添加一个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、姿势估计和旋转框检测 (OBB)。
增强的效率: 与许多先前的模型相比，以更少的参数实现了更高的准确率，从而证明了速度和准确率之间更好的平衡。
灵活部署: 专为跨各种平台部署而设计，从边缘设备到云基础设施。

YOLO12 对比可视化

支持的任务和模式

YOLO12 支持各种计算机视觉任务。下表显示了任务支持以及为每个任务启用的操作模式（推理、验证、训练和导出）：

模型类型	任务	推理	验证	训练	导出
YOLO12	检测	✅	✅	✅	✅
YOLO12-seg	分割	✅	✅	✅	✅
YOLO12-pose	姿势估计	✅	✅	✅	✅
YOLO12-cls	分类	✅	✅	✅	✅
YOLO12-obb	OBB	✅	✅	✅	✅

性能指标

YOLO12 在所有模型规模上都展示了显著的准确性提升，但与最快的先前 YOLO 模型相比，速度有所折衷。以下是 COCO 验证数据集上目标检测的量化结果：

检测性能 (COCO val2017)

性能

检测 (COCO)

模型	尺寸 ^(像素)	mAP^val 50-95	速度 ^{CPU ONNX (毫秒)}	速度 ^{T4 TensorRT (ms)}	参数 ^(M)	FLOPs ^(B)	对比 ^(mAP/速度)
YOLO12n	640	40.6	-	1.64	2.6	6.5	+2.1% /-9%（对比 YOLOv10n）
YOLO12s	640	48.0	-	2.61	9.3	21.4	+0.1%/+42% (对比 RT-DETRv2)
YOLO12m	640	52.5	-	4.86	20.2	67.5	+1.0% /-3%（对比 YOLO11m）
YOLO12l	640	53.7	-	6.77	26.4	88.9	+0.4%/-8% (对比 YOLO11l)
YOLO12x	640	55.2	-	11.79	59.1	199.0	+0.6%/-4% (对比 YOLO11x)

在配备 TensorRT FP16 精度的 NVIDIA T4 GPU 上测量的推理速度。
对比显示了 mAP 的相对改进和速度的百分比变化（正数表示更快；负数表示更慢）。对比是根据已发布的 YOLO10、YOLO11 和 RT-DETR 结果进行的（如果可用）。

使用示例

本节提供了使用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）的更全面的文档，请查阅专门的Predict和Train页面。

以下示例侧重于 YOLO12 Detect 模型（用于目标检测）。对于其他支持的任务（分割、分类、旋转框检测和姿势估计），请参阅相应的特定于任务的文档：分割、分类、OBB 和姿势估计。

示例

PythonCLI

预训练 *.pt 模型（使用 PyTorch) 和配置 *.yaml 文件可以传递给 YOLO() 类在 Python 中创建模型实例：

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")

还提供命令行界面 (CLI) 命令：

# Load a COCO-pretrained YOLO12n model and train on the COCO8 example dataset for 100 epochs
yolo train model=yolo12n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLO12n model and run inference on the 'bus.jpg' image
yolo predict model=yolo12n.pt source=path/to/bus.jpg

主要改进

增强的特征提取:
- 区域注意力: 有效处理大型感受野，降低计算成本。
- 优化平衡： 改进了注意力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。
优化创新：
- 残差连接：引入具有缩放的残差连接以稳定训练，尤其是在较大的模型中。
- 改进的特征集成：在 R-ELAN 中实现了一种改进的特征集成方法。
- FlashAttention: 整合 FlashAttention 以减少内存访问开销。
架构效率:
- 减少参数：与之前的许多模型相比，在保持或提高准确性的同时，实现了更低的参数计数。
- 简化的注意力机制：使用简化的注意力实现，避免了位置编码。
- 优化的 MLP 比率：调整 MLP 比率以更有效地分配计算资源。

要求

默认情况下，Ultralytics YOLO12 的实现不需要 FlashAttention。但是，可以选择编译 FlashAttention 并将其与 YOLO12 一起使用。要编译 FlashAttention，需要以下 NVIDIA GPU 之一：

图灵 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

如果您的研究中使用了 YOLO12，请引用布法罗大学和中国科学院大学的原始论文：

BibTeX

@article{tian2025yolov12,
  title={YOLOv12: Attention-Centric Real-Time Object Detectors},
  author={Tian, Yunjie and Ye, Qixiang and Doermann, David},
  journal={arXiv preprint arXiv:2502.12524},
  year={2025}
}

@software{yolo12,
  author = {Tian, Yunjie and Ye, Qixiang and Doermann, David},
  title = {YOLOv12: Attention-Centric Real-Time Object Detectors},
  year = {2025},
  url = {https://github.com/sunsmarterjie/yolov12},
  license = {AGPL-3.0}
}

常见问题

YOLO12 如何在保持高精度的同时实现实时目标检测？

YOLO12 融合了多项关键创新，以平衡速度和准确性。区域注意力机制有效地处理大型感受野，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，解决了更大规模的以注意力为中心的模型中的优化挑战。优化的注意力架构，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 能够在保持对许多应用至关重要的实时推理速度的同时，实现最先进的准确性。

YOLO12 支持哪些计算机视觉任务？

YOLO12 是一种多功能模型，支持各种核心计算机视觉任务。它擅长目标检测、实例分割、图像分类、姿势估计和旋转框检测 (OBB)（请参阅详细信息）。这种全面的任务支持使 YOLO12 成为各种应用的强大工具，从机器人技术和自动驾驶到医学成像和工业检测。所有这些任务都可以在推理、验证、训练和导出模式下执行。

YOLO12 与其他 YOLO 模型以及 RT-DETR 等竞争对手相比如何？

与之前的 YOLO 模型（如 YOLOv10 和 YOLO11）相比，YOLO12 在所有模型规模上都表现出显著的准确性提升，但在速度方面与之前最快的模型相比存在一些权衡。例如，在 COCO val2017 数据集上，YOLO12n 比 YOLOv10n 提高了 +2.1% mAP，比 YOLO11n 提高了 +1.2%。与 RT-DETR 等模型相比，YOLO12s 提供了 +1.5% 的 mAP 提升和 +42% 的显著速度提升。这些指标突出了 YOLO12 在准确性和效率之间的强大平衡。有关详细比较，请参见性能指标部分。

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 可以选择性地与 YOLO12 编译和使用，以最大限度地减少内存访问开销。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。

在哪里可以找到 YOLO12 的使用示例和更详细的文档？

本页提供训练和推理的基本用法示例。有关这些模式和其他模式（包括验证和导出）的完整文档，请查阅专门的预测和训练页面。有关特定于任务的信息（分割、分类、旋转框检测和姿势估计），请参阅相应的文档：分割、分类、OBB 和姿势估计。这些资源提供了在各种场景中有效利用 YOLO12 的深入指导。

📅 6个月前创建 ✏️ 2个月前更新