Ultralytics YOLO27：
Get Started

安装 Ultralytics#

使用 pip、conda 或 Docker 安装 ultralytics 包，也可以从源代码安装；随后使用预训练的 YOLO26 模型运行首次预测。每种安装方式都会安装 pyproject.toml 中列出的所有必需依赖项。

安装

在 Python>=3.8 且 PyTorch>=1.8 的环境中安装或更新 ultralytics 包：

pip install -U ultralytics

如需安装最新开发版本，请直接从 Ultralytics GitHub 仓库安装：

pip install git+https://github.com/ultralytics/ultralytics.git@main
提示

PyTorch 的安装要求因操作系统和 CUDA 版本而异。若要使用特定构建版本，请先按照 PyTorch 安装说明安装 PyTorch，然后安装 ultralytics。对于 Linux 上的 AMD GPU，请按照 AMD 集成指南中的说明安装 ROCm 版 PyTorch。

通过 CLI 使用 Ultralytics#

在终端中使用 yolo 命令运行你的第一次预测：

yolo predict model=yolo26n.pt

预训练的 yolo26n.pt 权重会自动下载，模型会在两个随附的示例图像上运行，命令会显示标注结果的保存位置；首次运行时，该位置为 runs/detect/predict。将 source 指向你自己的图像、视频、目录、URL 或流，也可以使用 source=0 指向网络摄像头：

yolo predict model=yolo26n.pt source=0 show=True

predict 是 模式，用于指定如何使用模型：train、val、predict、export、track 或 benchmark。任务（detect、segment、semantic、depth、classify、pose 或 obb）会从模型文件中读取，因此 yolo TASK MODE ARGS 语法通常只需要模式以及 arg=value 键值对，例如 imgsz=640。有关所有模式，请参阅 CLI 指南；有关所有参数，请参阅配置页面。

通过 Python 使用 Ultralytics#

在 Python 中执行相同的预测：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # 加载预训练的 YOLO26n 检测模型
results = model("https://ultralytics.com/images/bus.jpg", save=True)  # 进行预测并保存标注后的图像

results 是一个 Results 对象列表，每张图像对应一个对象；对象包含边界框、掩码、关键点或类别概率，具体取决于任务。Python 指南介绍了如何使用相同的 YOLO 类进行训练、验证、导出和跟踪。



观看： Ultralytics YOLO 快速入门指南

Ultralytics 设置#

数据集、权重和运行结果目录等持久化设置、Ultralytics Platform API 密钥以及实验记录器开关，都存储在由 yolo settings 管理的 JSON 文件中。有关如何查看、更改或重置这些设置，请参阅设置页面。

接下来做什么#

浏览 YOLO 运行所用的模式和 YOLO26 模型尺寸，然后按照数据集指南整理数据，并使用自己的数据进行训练。

想了解未来规划，可以查看 YOLO27（即将推出）。其模型目前尚未开放；以上示例使用的是已发布的 YOLO26 系列。

常见问题#

  • 使用 pip 安装 Ultralytics：

    pip install -U ultralytics

    这会从 PyPI 安装最新稳定版 ultralytics 包。若要直接从 GitHub 安装开发版本：

    pip install git+https://github.com/ultralytics/ultralytics.git

    确保系统已安装 Git 命令行工具。

  • 可以，在一条命令中创建包含 Python 和 Ultralytics YOLO 的 conda 环境，然后激活它：

    conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y
conda activate ultralytics-env

    这种方法是 pip 的绝佳替代方案，可确保与其他软件包兼容。对于 CUDA 环境，在同一条命令中添加 pytorch-gpu 元包，这样 conda 就会选择支持 CUDA 的 PyTorch 构建版本：

    conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y
conda activate ultralytics-env

    更多说明请参阅 Conda 快速入门指南。

  • Docker 为 Ultralytics YOLO 提供隔离且一致的环境，确保其在不同系统上流畅运行，并避免本地安装的复杂性。你可以在 Docker Hub 获取官方 Docker 镜像，其中包含适用于 GPU、CPU、ARM64、NVIDIA Jetson 和 Conda 的变体。拉取并运行最新镜像：

    # Pull the latest ultralytics image from Docker Hub
sudo docker pull ultralytics/ultralytics:latest

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latest

    在 Linux 上，CDI 设备请求需要 Docker >= 28.2.0 和 NVIDIA Container Toolkit >= 1.18。有关 Docker 的详细说明，请参阅 Docker 快速入门指南。

  • 克隆 Ultralytics 仓库并设置开发环境：

    # Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

    这样你就可以为项目做贡献，也可以试用最新的源代码。有关派生仓库和固定到自定义分支的信息，请参阅开发环境安装。

  • Ultralytics YOLO CLI 无需编写 Python 代码，即可简化目标检测任务的运行，让你直接在终端中通过单行命令完成训练、验证和预测。基本语法如下：

    yolo TASK MODE ARGS

    例如，训练检测模型：

    yolo train data=coco8.yaml model=yolo26n.pt epochs=10

    在完整的 CLI 指南中查看更多命令和用法示例。

贡献者
GLglenn-jocher40RIRizwanMunawar6RAraimbekovm5LALaughing-q3PDpderrenger3BUBurhan-Q3ONonuralpszr2JKjk4e2IVIvan Tikhonov1SEsergiuwaxmann1BOBovey08091FCfcakyon1LAlakshanthad1PIpicsalex1LEleonnil1MAMatthewNoyce1

评论