使用 Ultralytics YOLO 进行目标检测#

目标检测是一项用于识别图像或视频流中目标位置和类别的任务。

目标检测器的输出是一组包围图像中目标的边界框，以及每个框对应的类别标签和置信度分数。如果你需要识别场景中感兴趣的目标，但不需要了解目标的确切形状，那么目标检测就是合适的选择。

模型#

以下展示了在 COCO 数据集上预训练的 YOLO26 Detect 模型。

首次使用时，模型会自动从 Ultralytics 最新版本下载。

• mAP^val 数值是在 COCO val2017 数据集上以单模型、单尺度方式测得的。
  使用 yolo detect val data=coco.yaml device=0 复现。添加 nms=False 可复现 e2e 列。
• 速度是在 COCO val 图像上使用 ONNX（CPU）和 TensorRT10（NVIDIA T4 GPU）测得的平均值。
  使用 yolo detect val data=coco.yaml batch=1 device=0|cpu nms=False 复现
• 参数量和 FLOPs 数值对应融合后的模型，该模型经过 Conv/BatchNorm 折叠并移除了未使用的检测分支。预训练检查点保留完整的训练架构，因此显示的数值可能更高。

查看尚未发布的 YOLO27 预览版，了解初步的 COCO 检测结果。

训练#

在 COCO8 数据集上以 640 的图像尺寸训练 YOLO26n，训练 100 个轮次。如需查看所有可用参数，请参阅配置页面。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.yaml")  # 从 YAML 构建新模型
model = YOLO("yolo26n.pt")  # 加载预训练模型（推荐用于训练）
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # 从 YAML 构建模型并迁移权重

# 训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

请参阅训练页面，了解完整的 train 模式详情。检测模型也可以通过 Ultralytics Platform 云训练进行训练。

数据集格式#

数据集指南详细介绍了 YOLO 检测数据集格式。若要将现有的 COCO JSON 数据集转换为 YOLO 格式，请使用COCO 转 YOLO 指南中介绍的内置 convert_coco 函数。你也可以使用 Ultralytics Platform 的 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 模型精度。无需提供参数，因为 model 会将训练时的 data 及参数保留为模型属性：训练示例中的 path/to/best.pt 会在 COCO8 上进行验证。官方权重记录的训练数据集路径在你的机器上不存在，因此会发出警告并回退到任务默认的 coco8.yaml。传入 data 可在其他数据集上进行验证。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 验证模型
metrics = model.val()  # 无需参数，数据集和设置会自动记住
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # 包含每个类别 mAP50-95 的列表
metrics.box.image_metrics  # 包含精确率、召回率、F1、TP、FP 和 FN 的逐图像指标字典

预测#

使用训练好的 YOLO26n 模型对图像进行预测。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 使用模型进行预测
results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测

# 访问结果
for result in results:
    xywh = result.boxes.xywh  # 中心点 x、中心点 y、宽度、高度
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # 左上角 x、左上角 y、右下角 x、右下角 y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # 每个框的类别名称
    confs = result.boxes.conf  # 每个框的置信度分数

请参阅预测页面，了解完整的 predict 模式详情。

结果输出#

目标检测会为每张图像返回一个 Results 对象。主要的预测字段是 result.boxes，其中包含 每个检测目标的边界框坐标、类别 ID 和置信度分数。

如需了解所有任务中特定于任务的 Results 字段，请参阅按任务查看预测结果部分。

导出#

将 YOLO26n 模型导出为 ONNX、CoreML 等其他格式。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 导出模型
model.export(format="onnx")

下表列出了可用的 YOLO26 导出格式。你可以使用 format 参数导出为任意格式，例如 format='onnx' 或 format='engine'。你可以直接使用导出的模型进行预测或验证，例如 yolo predict model=yolo26n.onnx。导出完成后，系统会显示适用于你模型的用法示例。

nms=None 默认输出原始结果，以供外部 NMS 使用。设置 nms=False 可选择可用的无 NMS 检测头；不支持的格式会回退到其原生输出路径。上方的 nms 条目表示可以通过 nms=True 嵌入 NMS 的格式。

请参阅 Export 页面，了解完整的 export 详情。

常见问题#