Ultralytics YOLO26 支持的计算机视觉任务#
Ultralytics YOLO26 支持多种计算机视觉任务：检测、分割、语义分割、深度估计、分类、姿态估计和 OBB。每项任务都有不同的目标和应用场景，因此你可以使用单一框架解决各种计算机视觉问题。
有关计划中的 YOLO27 支持，请参阅 YOLO27 预览。YOLO27 即将推出，目前尚不可用；本指南使用的是已发布的 YOLO26 模型。
观看： 探索 Ultralytics YOLO26 任务：目标检测、实例分割、语义分割、深度估计、分类、姿态估计和 OBB。
检测#
目标检测是 YOLO26 支持的主要任务。它通过识别图像或视频帧中的对象，并在对象周围绘制边界框来实现检测。系统会根据检测对象的特征将其分类到不同类别中。YOLO26 能在单张图像或单个视频帧中快速检测多个对象，足以满足监控系统和自动驾驶汽车等实时应用的需求。
实例分割#
实例分割在目标检测的基础上进一步为每个对象生成像素级掩码。这种精度适用于医学影像、农业分析和制造业质量控制等应用。
语义分割#
语义分割会为图像中的每个像素分配类别标签，从而生成覆盖整个场景的稠密类别图。与实例分割不同，语义分割不会区分同一类别中的不同对象。因此，它非常适合自动驾驶、场景解析和土地覆盖制图等应用；在这些应用中，理解完整的空间布局比识别单个对象更重要。
深度估计#
单目深度估计根据单张 RGB 图像预测以米为单位的逐像素深度图。输出是与输入图像对齐的稠密浮点数图，适用于 3D 场景重建、机器人导航以及需要根据单个摄像头推断空间布局的 AR/VR 应用。
分类#
图像分类根据图像内容对整张图像进行分类。这项任务适用于电子商务中的商品分类、内容审核和野生动物监测等应用。
姿态估计#
姿态估计会检测图像或视频帧中的特定关键点，以跟踪动作或估计姿态。这些关键点可以表示人体关节、面部特征或其他重要关注点。YOLO26 姿态模型可实时检测关键点，因此适用于健身应用、体育分析和人机交互。
OBB#
有向边界框（OBB）检测通过增加方向角，改进传统目标检测，从而更准确地定位旋转对象。对于航空影像分析、文档处理和工业应用等对象可能以不同角度出现的场景，这项能力尤为重要。YOLO26 OBB 模型使用 DOTAv1 航空影像数据集进行预训练。
接下来做什么#
选好任务了吗？使用数据集指南按对应格式准备数据，然后使用你自己的图像进行训练。
常见问题#
使用 Ultralytics YOLO26 进行目标检测，请按以下步骤操作：
- 按合适的格式准备数据集。
- 使用检测任务训练 YOLO26 模型。
- 输入新的图像或视频帧，使用模型进行预测。
示例from ultralytics import YOLO # 加载预训练的 YOLO 模型（根据需要调整模型类型） model = YOLO("yolo26n.pt") # n、s、m、l、x 版本可用 # 对图像执行目标检测 results = model.predict(source="image.jpg") # 也可以使用视频、目录、URL 等作为输入 # 显示结果 results[0].show() # 显示第一张图像的结果如需更详细的说明，请查看我们的检测示例。
使用 YOLO26 执行分割任务有以下优势：
- 高精度：分割任务可生成精确的像素级掩码。
- 速度：YOLO26 针对实时应用进行了优化，即使处理高分辨率图像也能快速完成。
- 多种应用场景：它非常适合医学影像、自动驾驶以及其他需要精细图像分割的应用。
在图像分割部分了解更多关于 YOLO26 分割的优势和应用场景。
是。YOLO26 姿态模型可检测图像和视频帧中的关键点（例如人体关节），并将这些关键点连接成姿态。这适用于跟踪体育分析、医疗保健和人机交互应用中的动作。
如需了解更多详情和实现技巧，请访问我们的姿态估计示例。
YOLO26 有向目标检测（OBB）会为每个框预测一个额外的角度参数，因此与轴对齐框相比，旋转对象的定位更加紧密。这对需要准确定位旋转对象的应用很有帮助，例如航空影像分析和仓库自动化。
- 更紧凑的边界框：旋转框包含的背景更少，有助于区分密集排列或倾斜的对象。
- 应用广泛：适用于地理空间分析、机器人等任务。
如需了解更多详情和示例，请查看有向目标检测部分。