Link to this section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，但不需要知道对象的精确位置或确切形状时，目标检测是一个很好的选择。

Link to this section模型#

此处展示了 YOLO26 预训练的 Detect 模型。Detect、Segment 和 Pose 模型在 COCO 数据集上预训练，Semantic 模型在 Cityscapes 上预训练，Classify 模型在 ImageNet 数据集上预训练。

模型 会在首次使用时自动从最新的 Ultralytics 发布版本 中下载。

• mAP^val 值适用于 COCO val2017 数据集上的单模型单尺度。
  通过 yolo val detect data=coco.yaml device=0 进行复现
• Speed 是在 Amazon EC2 P4d 实例上使用 COCO val 图像平均计算得出的。
  通过 yolo val detect data=coco.yaml batch=1 device=0|cpu 进行复现
• 参数量 (Params) 和 FLOPs 数值是针对 model.fuse() 之后融合模型的，该模型合并了 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，因此可能会显示更高的数值。

Link to this section训练#

在 COCO8 数据集上以图像大小 640 训练 YOLO26n 100 个 epochs。有关可用参数的完整列表，请参阅 Configuration 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)

See full train mode details in the Train page. Detection models can also be trained on cloud GPUs through Ultralytics Platform.

Link to this section数据集格式#

YOLO 检测数据集格式可在 Dataset Guide 中找到详细信息。要将你现有的其他格式（如 COCO 等）数据集转换为 YOLO 格式，请使用 Ultralytics 的 JSON2YOLO 工具。你也可以使用 AI 辅助标注工具直接在 Ultralytics Platform 上标注和管理检测数据集。

Link to this section验证#

在 COCO8 数据集上验证已训练 YOLO26n 模型的 accuracy。无需参数，因为 model 会保留其训练 data 和参数作为模型属性。

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

Link to this section预测#

使用训练好的 YOLO26n 模型在图像上运行预测。

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

See full predict mode details in the Predict page.

Link to this section结果输出#

目标检测为每张图像返回一个 Results 对象。主要预测字段是 result.boxes，其中包含每个检测到对象的框坐标、类别 ID 和置信度分数。

关于各项任务中特定于任务的 Results 字段，请参阅按任务划分的预测结果 (Predict Results by Task) 部分。

Link to this section导出#

将 YOLO26n 模型导出为 ONNX、CoreML 等其他格式。

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")

可用的 YOLO26 导出格式如下表所示。你可以使用 format 参数导出为任何格式，例如 format='onnx' 或 format='engine'。你可以直接在导出的模型上进行预测或验证，例如 yolo predict model=yolo26n.onnx。导出完成后，将显示你模型的用法示例。

查看关于 export 的完整详细信息，请访问 Export 页面。

Link to this section常见问题解答#

Link to this section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 Platform 提供了一个基于浏览器的流程，用于标注数据集、在云端 GPU 上训练检测模型，并将其部署到推理端点。查看 Platform quickstart 开始使用。

Link to this section如何在我自定义的数据集上训练 YOLO26 模型？#

在自定义数据集上训练 YOLO26 模型涉及几个步骤：

1. 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。
2. 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。
3. 训练模型：在 Python 中执行 train 方法，或在 CLI 中执行 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 Configuration 页面。

Link to this sectionYOLO26 中有哪些预训练模型可用？#

Ultralytics YOLO26 提供了各种预训练模型，用于 object detection、instance segmentation、semantic segmentation 和 pose estimation。这些模型是在 COCO 数据集、用于语义分割的 Cityscapes 或用于分类任务的 ImageNet 上进行预训练的。以下是一些可用模型：

• YOLO26n
• YOLO26s
• YOLO26m
• YOLO26l
• YOLO26x

有关详细列表和性能指标，请参考 Models 部分。

Link to this section我该如何验证已训练 YOLO 模型的准确性？#

要验证已训练 YOLO26 模型的准确性，你可以在 Python 中使用 .val() 方法，或在 CLI 中使用 yolo detect val 命令。这将提供 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

有关验证的更多详情，请访问 Val 页面。

Link to this section我可以将 YOLO26 模型导出为哪些格式？#

Ultralytics YOLO26 支持将模型导出为 ONNX、TensorRT、CoreML 等多种格式，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 Export 页面了解支持的完整格式列表和说明。

Link to this section为什么我应该使用 Ultralytics YOLO26 进行目标检测？#

Ultralytics YOLO26 旨在为 object detection、instance segmentation、semantic segmentation 和 pose estimation 提供最先进的性能。以下是一些关键优势：

1. 预训练模型：利用在 COCO 和 ImageNet 等常用数据集上预训练的模型，以加快开发速度。
2. 高准确性：实现令人印象深刻的 mAP 分数，确保可靠的目标检测。
3. 速度：针对 real-time inference 进行优化，使其成为需要快速处理的应用的理想选择。
4. 灵活性：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 Blog 获取用例和成功案例，展示 YOLO26 的实际应用。