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。当你需要识别场景中的目标对象，但不需要确切知道该对象的位置或其精确形状时，目标检测是一个不错的选择。

Link to this section模型#

这里展示了 YOLO26 预训练的 Detect 模型。Detect、Segment 和 Pose 模型是在COCO数据集上预训练的，Semantic模型是在Cityscapes上预训练的，而 Classify 模型是在ImageNet数据集上预训练的。

模型在首次使用时会自动从最新的 Ultralytics 发布版本下载。

• mAP^val 数值是针对COCO val2017数据集上的单模型单尺度结果。
  通过运行 yolo val detect data=coco.yaml device=0 进行复现。
• 速度是通过使用Amazon EC2 P4d实例对 COCO val 图像进行平均得出的。
  通过运行 yolo val detect data=coco.yaml batch=1 device=0|cpu 进行复现。
• 参数和FLOPs数值是针对执行 model.fuse() 后的融合模型，该操作合并了 Conv 和 BatchNorm 层，对于端到端模型，它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，数值可能会更高。

Link to this section训练#

在 COCO8 数据集上，以 640 的图像尺寸训练 YOLO26n 模型 100 个epoch。如需查看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)

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 检测数据集格式的详细信息可以在数据集指南中找到。要将现有数据集从其他格式（如 COCO 等）转换为 YOLO 格式，请使用 Ultralytics 提供的JSON2YOLO工具。你还可以通过Ultralytics 平台使用 AI 辅助标注工具直接标注和管理检测数据集。

Link to this section验证#

Validate trained YOLO26n model accuracy on the COCO8 dataset. No arguments are needed as the model retains its training data and arguments as model attributes.

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#

使用已训练的 YOLO26n 模型对图像运行预测。

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。主要的预测字段是 result.boxes，其中包含每个检测到对象的目标框坐标、类别 ID 和置信度分数。

有关各任务特定的 Results 字段，请参阅按任务预测结果部分。

Link to this section导出#

将 YOLO26n 模型导出为其他格式，如 ONNX、CoreML 等。

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，会显示针对你模型的用法示例。

See full export details in the Export page.

Link to this section常见问题解答 (FAQ)#

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 提供了基于浏览器的工作流程，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。请参阅 Platform quickstart 开始使用。

Link to this section如何在我自己的数据集上训练 YOLO26 模型？#

在自定义数据集上训练 YOLO26 模型包含以下几个步骤：

1. 准备数据集：确保你的数据集采用 YOLO 格式。有关指南，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)

有关详细配置选项，请访问 Configuration 页面。

Link to this sectionYOLO26 中有哪些可用的预训练模型？#

Ultralytics YOLO26 提供了各种预训练模型，适用于 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 数据集，或用于分类任务的 ImageNet 数据集上预训练的。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，请参阅 Models 部分。

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

要验证已训练的 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

有关更多验证详细信息，请访问 Val 页面。

Link to this sectionYOLO26 模型可以导出为哪些格式？#

Ultralytics YOLO26 允许将模型导出为 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")

在 Export 页面查看支持的格式完整列表和说明。

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。以下是一些主要优势：

1. 预训练模型：利用在 COCO 和 ImageNet 等热门数据集上预训练的模型，实现更快的开发。
2. 高准确率：实现出色的 mAP 分数，确保可靠的目标检测。
3. 速度：针对 real-time inference 进行了优化，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，以便在多个平台上部署。

探索我们的 Blog，了解 YOLO26 的实际应用案例和成功故事。