使用 Ultralytics YOLO 进行目标检测#
Object detection 是一项旨在识别图像或视频流中物体的位置和类别的任务。
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。
Watch: Object Detection with Pretrained Ultralytics YOLO Model.
YOLO26 Detect 模型是默认的 YOLO26 模型（即 yolo26n.pt），并在 COCO 上进行了预训练。
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。
首次使用时，模型会从最新的 Ultralytics 发布版本中自动下载。
| 模型 | 尺寸 (像素) | mAPval 50-95 | mAPval 50-95(e2e) | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | 参数量 (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 |
- mAPval 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复现 - Speed 是在 Amazon EC2 P4d 实例上对 COCO val 图像取平均计算得出的。
通过yolo val detect data=coco.yaml batch=1 device=0|cpu复现 - **参数量（Params）**和 FLOPs 值适用于
model.fuse()之后的融合模型，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，可能会显示更高的数值。
训练#
在 COCO8 数据集上以 640 的图像尺寸对 YOLO26n 进行 100 个 epochs 训练。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)有关完整的 train 模式详情，请参阅Train页面。检测模型也可以使用Ultralytics Platform cloud training进行训练。
数据集格式#
有关 YOLO 检测数据集格式的详细信息，请参阅Dataset Guide。要将你的现有数据集从其他格式（如 COCO 等）转换为 YOLO 格式，请使用 Ultralytics 的 JSON2YOLO 工具。你还可以使用Ultralytics Platform's AI-assisted annotation tools标注和管理检测数据集。
验证#
在 COCO8 数据集上验证训练好的 YOLO26n 模型accuracy。由于 model 将其训练 data 和参数作为模型属性保留，因此不需要任何参数。
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查看完整的 predict 模式详情，请访问 Predict 页面。
结果输出#
对象检测每张图像返回一个 Results 对象。主要预测字段是 result.boxes，它包含每个检测到的物体的框坐标、类别 ID 和置信度分数。
| 属性 | 类型 | 形状 | 描述 |
|---|---|---|---|
result.boxes | Boxes | (N) | 检测框。 |
result.boxes.data | torch.float32 | (N,6/7) | 原始 [x1,y1,x2,y2,conf,cls]，外加可选的跟踪 ID。 |
result.boxes.xyxy | torch.float32 | (N,4) | xyxy 像素框。 |
result.boxes.conf | torch.float32 | (N,) | 置信度得分。 |
result.boxes.cls | torch.float32 | (N,) | 类 ID；转换为 int 获取名称。 |
有关所有任务特定于任务的 Results 字段，请参阅按任务划分的预测结果部分。
导出#
将 YOLO26n 模型导出为 ONNX、CoreML 等其他格式。
from ultralytics import YOLO
# 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（即 format='onnx' 或 format='engine'）导出到任何格式。你可以直接对导出的模型（即 yolo predict model=yolo26n.onnx）进行预测或验证。导出完成后，会为你的模型显示使用示例。
| 格式 | format 参数 | 模型 | 元数据 | 参数 |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, quantize, dynamic, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, quantize, dynamic, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, quantize, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, quantize, opset, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, opset, batch, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, quantize, opset, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, dynamic, quantize, simplify, opset, nms, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, quantize, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, quantize, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, quantize, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, quantize, simplify, opset, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn.onnx | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| LiteRT | litert | yolo26n.tflite | ✅ | imgsz, quantize, batch, data, fraction, device |
| Hailo | hailo | yolo26n_hailo_model/ | ✅ | imgsz, name, quantize, data, fraction, simplify, conf, iou |
| Huawei Ascend | ascend | yolo26n_ascend_model/ | ✅ | imgsz, batch, name, quantize, opset, simplify, nms |
查看完整的 export 详情，请访问 Export 页面。
常见问题解答#
可以。Ultralytics Platform quickstart 涵盖了基于浏览器的完整工作流，包括标注数据集、在云 GPU 上训练检测模型以及将它们部署到推理端点。
在自定义数据集上训练 YOLO26 模型涉及几个步骤：
- 准备数据集：确保你的数据集为 YOLO 格式。有关指导，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：在 Python 中执行
train方法，或在 CLI 中运行yolo detect train命令。
示例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。
要验证训练好的 YOLO26 模型的准确率，你可以在 Python 中使用
.val()方法，或在 CLI 中运行yolo detect val命令。这将提供 mAP50-95、mAP50 等指标。示例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有关更多验证详情，请访问Val页面。
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：
- 预训练模型：利用在 COCO 和 ImageNet 等流行数据集上预训练的模型，实现更快的开发。
- 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。
- 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。
- 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以了解实际应用案例和成功故事，展示 YOLO26 的实际表现。