Meet YOLO26: next-gen vision AI.

Link to this sectionYOLO12：以注意力为核心的目标检测#

Link to this section概述#

YOLO12 于 2025 年初发布，引入了一种以注意力为核心的架构，与先前 YOLO 模型中使用的传统基于 CNN 的方法截然不同，但仍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，在保持实时性能的同时实现了高目标检测精度。尽管具有这些优势，YOLO12 仍然是一个社区驱动的版本，由于其庞大的注意力模块，可能会表现出训练不稳定、内存消耗增加以及 CPU 吞吐量降低的情况，因此 Ultralytics 建议在大多数生产工作负载中使用 YOLO11 或 YOLO26。

社区模型

YOLO12 的维护主要用于基准测试和研究。如果你需要稳定的训练、可预测的内存使用情况以及优化的 CPU 推理，请选择 YOLO11 或 YOLO26 进行部署。



Watch: How to Use YOLO12 for Object Detection with the Ultralytics Package | Is YOLO12 Fast or Slow? 🚀

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，可以有效地处理大感受野。它将 特征图 水平或垂直划分为 l 个等大的区域（默认为 4），避免了复杂操作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，特别是在大规模以注意力为核心的模型中。R-ELAN 引入了：
    • 带有缩放（类似于层缩放）的块级残差连接。
    • 一种重新设计的特征聚合方法，创建了类似于瓶颈的结构。
  • 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 来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。
    • 减少堆叠块的深度以进行优化改进。
    • 利用卷积操作（在适当的情况下）以发挥其计算效率。
    • 在注意力机制中添加了 7x7 可分离卷积（“位置感知器”）以隐式编码位置信息。
  • 全面的任务支持：YOLO12 支持多种核心计算机视觉任务：目标检测、实例分割、图像分类、姿态估计和旋转目标检测 (OBB)。
  • 增强的效率：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，展示了速度与精度之间更优的平衡。
  • 灵活的部署：专为跨平台部署而设计，从边缘设备到云基础设施均可适用。

YOLO12 比较可视化

Link to this section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项任务启用的操作模式（推理、验证、训练和导出）：

预训练权重可用性

只有检测权重（yolo12n.pt、yolo12s.pt、yolo12m.pt、yolo12l.pt、yolo12x.pt）在 ultralytics/assets 上发布。分割、分类、姿态和 OBB 架构在 ultralytics/cfg/models/12/ 中定义，因此这些变体支持从 .yaml 配置进行从零开始的训练，但目前没有可用的预训练 .pt 文件。对于预训练的分割、姿态、分类或 OBB 检查点，Ultralytics 建议使用 YOLO11 或 YOLO26。

模型类型任务预训练权重推理验证训练导出
YOLO12检测✅✅✅✅✅
YOLO12-seg分割❌✅✅✅✅
YOLO12-pose姿态❌✅✅✅✅
YOLO12-cls分类❌✅✅✅✅
YOLO12-obbOBB❌✅✅✅✅

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 在所有模型尺度上都表现出显著的 精度 提升，与最快的先前 YOLO 模型相比，在速度上有一些权衡。以下是 COCO 验证数据集上 目标检测 的定量结果：

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

性能
模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT
(ms)		参数
(M)		FLOPs
(B)		比较
(mAP/速度)
YOLO12n64040.6-1.642.66.5+2.1%/-9% (对比 YOLOv10n)
YOLO12s64048.0-2.619.321.4+0.1%/+42% (对比 RT-DETRv2)
YOLO12m64052.5-4.8620.267.5+1.0%/-3% (对比 YOLO11m)
YOLO12l64053.7-6.7726.488.9+0.4%/-8% (对比 YOLO11l)
YOLO12x64055.2-11.7959.1199.0+0.6%/-4% (对比 YOLO11x)
  • 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（正值表示更快；负值表示更慢）。比较是针对 YOLOv10、YOLO11 和 RT-DETR 的已发布结果进行的（若有）。

Link to this section使用示例#

本节提供了 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。

以下示例重点介绍 YOLO12 检测 模型（用于目标检测）。对于其他支持的任务（分割、分类、旋转目标检测和姿态估计），请参考相应的特定任务文档：分割、分类、OBB 和 姿态。

示例

预训练的 *.pt 模型（使用 PyTorch）和配置 *.yaml 文件可以传递给 YOLO() 类，以在 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")

Link to this section关键改进#

  1. 增强的 特征提取：

    • 区域注意力：高效处理大 感受野，降低计算成本。
    • 优化的平衡：改进了注意力计算与前馈网络计算之间的平衡。
    • R-ELAN：使用 R-ELAN 架构增强了特征聚合。

  2. 优化创新：

    • 残差连接：引入了带有缩放的残差连接以稳定训练，特别是在大型模型中。
    • 精炼的特征整合：在 R-ELAN 中实现了一种改进的特征整合方法。
    • FlashAttention：合并了 FlashAttention 以减少内存访问开销。

  3. 架构效率：

    • 减少参数：与许多先前的模型相比，在保持或提高精度的同时实现了更低的参数量。
    • 精简的注意力：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。

Link to this section要求#

默认情况下，Ultralytics YOLO12 实现不需要 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：

Link to this section引文与致谢#

如果你在研究中使用 YOLO12，请引用 纽约州立大学布法罗分校 和 中国科学院大学 的原始工作：

引用
@article{tian2025yolo12,
  title={YOLO12: 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 = {YOLO12: Attention-Centric Real-Time Object Detectors},
  year = {2025},
  url = {https://github.com/sunsmarterjie/yolov12},
  license = {AGPL-3.0}
}

Link to this section常见问题 (FAQ)#

Link to this sectionYOLO12 如何在保持高精度的同时实现实时目标检测？#

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，解决了大型注意力模型中的优化挑战。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。这些功能使 YOLO12 能够在保持许多应用所需的实时推理速度的同时，实现最先进的精度。

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

YOLO12 是一款多功能模型，支持多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、姿态估计 和旋转目标检测 (OBB)（查看详情）。这种全面的任务支持使 YOLO12 成为从 机器人 和自动驾驶到医学成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 配置提供，用于从零开始的训练。

Link to this sectionYOLO12 与其他 YOLO 模型以及 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 在所有模型尺度上都表现出显著的精度提升，与最快的模型相比，在速度上有一些权衡。例如，在 COCO val2017 数据集上，YOLO12n 的 mAP 比 YOLOv10n 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 在精度和效率之间的强大平衡。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 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时利用 FlashAttention 的优势。

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

本页面提供了用于训练和推理的基本 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。有关特定任务的信息（分割、分类、旋转目标检测和姿态估计），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。

贡献者
GLglenn-jocher8Y-Y-T-G2RIRizwanMunawar2LALaughing-q2RAraimbekovm1PDpderrenger1WIWillie Maddox1

评论