目标检测
目标检测 是一项涉及识别图像或视频流中对象位置和类别的任务。
目标检测器的输出是一组包围图像中对象的边界框，以及每个框的类别标签和置信度分数。当你需要在场景中识别感兴趣的对象，但不需要确切知道对象的位置或确切形状时，目标检测是一个很好的选择。
Watch: Object Detection with Pretrained Ultralytics YOLO Model.
YOLO26 Detect 模型是默认的 YOLO26 模型，即 yolo26n.pt，并预训练于 检测文档.
模型
此处展示了 YOLO26 预训练的 Detect 模型。Detect、Segment 和 Pose 模型预训练于 检测文档 数据集，而 Classify 模型预训练于 ImageNet 数据集。
模型 在首次使用时会自动从最新的 Ultralytics release 中下载。
| 模型 | COCO 上训练的这些模型的使用示例，其中包含 80 个预训练类别。 | 尺寸(像素) mAP 50-95 | 尺寸(像素) 50-95(e2e) | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 40.1 | 38.9 ± 0.7 | 1.7 ± 0.0 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 47.8 | 87.2 ± 0.9 | 2.5 ± 0.0 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 52.5 | 220.0 ± 1.4 | 4.7 ± 0.1 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 54.4 | 286.2 ± 2.0 | 6.2 ± 0.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 56.9 | 525.8 ± 4.0 | 11.8 ± 0.2 | 55.7 | 193.9 |
- 尺寸(像素) 数值针对 COCO val2017 数据集上的单模型单尺度。
通过yolo val detect data=coco.yaml device=0 - 速度 复现，在 COCO val 图像上取平均值，使用 Amazon EC2 P4d 实例。
通过yolo val detect data=coco.yaml batch=1 device=0|cpu - 参数 和 FLOPs 数值针对
model.fuse()之后的融合模型，它合并了 Conv 和 BatchNorm 层，并且对于端到端模型，移除了辅助的一对多检测头。预训练检查点保留了完整的训练架构，可能会显示更高的计数。
训练
在 COCO8 数据集上训练 YOLO26n 100 个 epochs 在图像尺寸 640 下。有关可用参数的完整列表，请参阅 配置页面。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.yaml") # build a new model from YAML
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt") # build from YAML and transfer weights
# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)查看完整的 train 页面中的 训练 模式详情。检测模型也可以通过以下方式在云 GPU 上进行训练：Ultralytics 平台.
数据集格式
YOLO 检测数据集格式可以在 Dataset Guide 中找到详细信息。要将你现有的其他格式（如 COCO 等）的数据集转换为 YOLO 格式，请使用 Ultralytics 的 JSON2YOLO 工具。你也可以直接在 Ultralytics 平台 上使用 AI 辅助标注工具标注和管理检测数据集。
验证
验证训练好的 YOLO26n 模型 准确率 在 COCO8 数据集上的表现。不需要参数，因为 model 保留了其训练 data 和参数作为模型属性，因此无需任何参数。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load an official model
model = YOLO("path/to/best.pt") # load a custom model
# Validate the model
metrics = model.val() # no arguments needed, dataset and settings remembered
metrics.box.map # map50-95
metrics.box.map50 # map50
metrics.box.map75 # map75
metrics.box.maps # a list containing mAP50-95 for each category
metrics.box.image_metrics # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN预测
使用训练好的 YOLO26n 模型对图像进行预测。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load an official model
model = YOLO("path/to/best.pt") # load a custom model
# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg") # predict on an image
# Access the results
for result in results:
xywh = result.boxes.xywh # center-x, center-y, width, height
xywhn = result.boxes.xywhn # normalized
xyxy = result.boxes.xyxy # top-left-x, top-left-y, bottom-right-x, bottom-right-y
xyxyn = result.boxes.xyxyn # normalized
names = [result.names[cls.item()] for cls in result.boxes.cls.int()] # class name of each box
confs = result.boxes.conf # confidence score of each box查看完整的 predict 页面中的 预测页面。
导出
将 YOLO26n 模型导出为 ONNX、CoreML 等不同格式。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load an official model
model = YOLO("path/to/best.pt") # load a custom-trained model
# Export the model
model.export(format="onnx") 之间取得最佳平衡至关重要。format 参数导出为任何格式，即 format='onnx' 或 format='engine' 参数导出到任何格式，例如 yolo predict model=yolo26n.onnx。导出完成后，会显示你模型的使用示例。
| 格式 | format 参数 | 模型 | Metadata | 参数 |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
查看完整的 export 详细信息，请访问 导出页面。
常见问题
我可以在不编写代码的情况下训练和部署检测模型吗？
可以。Ultralytics 平台 提供了基于浏览器的流程，用于标注数据集、在云 GPU 上训练检测模型，并将其部署到推理端点。请参阅 Platform quickstart 以开始使用。
如何训练自定义数据集上的 YOLO26 模型？
在自定义数据集上训练 YOLO26 模型涉及几个步骤：
- 准备数据集：确保你的数据集采用 YOLO 格式。如需指导，请参考我们的 Dataset Guide.
- 加载模型：使用 Ultralytics YOLO 库加载预训练模型或从 YAML 文件创建新模型。
- 训练模型：执行 Python 中的
train方法或 CLI 中的yolo detect train命令。
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo26n.pt")
# Train the model on your custom dataset
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)有关详细的配置选项，请访问 配置页面。
YOLO26 中有哪些可用的预训练模型？
Ultralytics YOLO26 提供了多种用于目标检测、分割和姿态估计的预训练模型。这些模型是在 COCO 数据集或 ImageNet（用于分类任务）上预训练的。以下是一些可用的模型：
想要获取详细列表和性能指标，请参阅模型部分。
如何验证我训练好的YOLO模型准确性？
若要验证你训练好的YOLO26模型，可以在CLI中使用.val() 方法或 CLI 中的 yolo detect val命令。这将提供诸如mAP50-95、mAP50等指标。
from ultralytics import YOLO
# Load the model
model = YOLO("path/to/best.pt")
# Validate the model
metrics = model.val()
print(metrics.box.map) # mAP50-95欲了解更多验证细节，请访问验证页面。
YOLO26模型可以导出为哪些格式？
Ultralytics YOLO26支持将模型导出为多种格式，例如ONNX, TensorRT, CoreML等，以确保在不同平台和设备上的兼容性。
from ultralytics import YOLO
# Load the model
model = YOLO("yolo26n.pt")
# Export the model to ONNX format
model.export(format="onnx")查看支持格式的完整列表及说明，请前往导出页面。
为什么我应该使用Ultralytics YOLO26进行目标检测？
Ultralytics YOLO26旨在为目标检测、分割和姿态估计提供最先进的性能。以下是一些主要优势：
- 预训练模型: 利用在流行数据集（如检测文档 和 ImageNet）上预训练的模型，可以加速你的开发进程。
- 高准确性: 能够达到出色的mAP分数，确保可靠的目标检测。
- 速度: 针对实时推理进行了优化，使其成为需要快速处理的应用程序的理想选择。
- 灵活性: 可将模型导出为ONNX和TensorRT等各种格式，以便在多个平台上进行部署。
浏览我们的博客，了解YOLO26实际应用场景和成功案例。