Meet YOLO26: next-gen vision AI.

目标检测

YOLO object detection with bounding boxes

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。当需要识别场景中的目标对象，但不需要精确了解对象位置或确切形状时，目标检测是一个不错的选择。



Watch: Object Detection with Pretrained Ultralytics YOLO Model.
提示

YOLO26 Detect 模型是默认的 YOLO26 模型，即 yolo26n.pt，并在 COCO 数据集上进行了预训练。

模型

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

模型在首次使用时会自动从最新的 Ultralytics 发布版本中下载。

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
(M)		FLOPs
(B)
YOLO26n64040.940.138.9 ± 0.71.7 ± 0.02.45.4
YOLO26s64048.647.887.2 ± 0.92.5 ± 0.09.520.7
YOLO26m64053.152.5220.0 ± 1.44.7 ± 0.120.468.2
YOLO26l64055.054.4286.2 ± 2.06.2 ± 0.224.886.4
YOLO26x64057.556.9525.8 ± 4.011.8 ± 0.255.7193.9
  • mAPval 值基于COCO val2017数据集上的单模型单尺度结果。
    通过 yolo val detect data=coco.yaml device=0 进行复现
  • 速度是在Amazon EC2 P4d实例上对 COCO val 图像进行平均得出的。
    通过 yolo val detect data=coco.yaml batch=1 device=0|cpu 进行复现
  • 参数和FLOPs值适用于 model.fuse() 之后的融合模型，该操作合并了 Conv 和 BatchNorm 层，并移除了端到端模型的辅助检测头。预训练检查点保留了完整的训练架构，数值可能会更高。

训练

在 COCO8 数据集上训练 YOLO26n 100 个轮次，图像尺寸为 640。有关可用参数的完整列表，请查看配置页面。

示例
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 train 模式的完整详细信息，请参阅训练页面。检测模型也可以通过Ultralytics 平台在云端 GPU 上进行训练。

数据集格式

YOLO 检测数据集格式的详细信息请参考数据集指南。要将现有的其他格式（如 COCO 等）数据集转换为 YOLO 格式，请使用 Ultralytics 提供的 JSON2YOLO 工具。你也可以使用 AI 辅助标注工具在Ultralytics 平台上直接标注和管理检测数据集。

验证

在 COCO8 数据集上验证已训练的 YOLO26n 模型准确率。无需额外参数，因为 model 会保留其训练时的 data 和参数作为模型属性。

示例
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

使用已训练的 YOLO26n 模型对图像进行预测。

示例
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

有关 predict 模式的完整详细信息，请参阅预测页面。

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的对象的框坐标、类别 ID 和置信度分数。

属性类型形状描述
result.boxesBoxes(N)检测框。
result.boxes.datatorch.float32(N,6/7)原始 [x1,y1,x2,y2,conf,cls]，外加可选的跟踪 ID。
result.boxes.xyxytorch.float32(N,4)xyxy 像素框。
result.boxes.conftorch.float32(N,)置信度分数。
result.boxes.clstorch.float32(N,)类别 ID；转换为 int 以获取名称。

有关各项任务中特定的 Results 字段，请参阅按任务划分的预测结果部分。

导出

将 YOLO26n 模型导出为其他格式，如 ONNX、CoreML 等。

示例
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，将为你展示模型的使用示例。

格式format 参数模型元数据参数
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, half, int8, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, int8, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, batch, device
TF Litetfliteyolo26n.tflite✅imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, int8, data, fraction, device
TF.jstfjsyolo26n_web_model/✅imgsz, half, int8, nms, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, int8, half, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, half, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, int8, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device
DeepXdeepxyolo26n_deepx_model/✅imgsz, int8, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn_model/✅imgsz, batch, name, int8, data, fraction, device

See full export details in the Export page.

常见问题解答 (FAQ)

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 上训练检测模型以及将其部署到推理端点。请查看 Platform quickstart 以开始使用。

如何训练 YOLO26 模型来处理自定义数据集？

在自定义数据集上训练 YOLO26 模型需要几个步骤：

  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。
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。

YOLO26 中提供了哪些预训练模型？

Ultralytics YOLO26 为 object detection、instance segmentation、semantic segmentation 和 pose estimation 提供了多种预训练模型。这些模型已在 COCO 数据集、用于语义分割的 Cityscapes 数据集或用于分类任务的 ImageNet 数据集上进行了预训练。以下是一些可用的模型：

有关详细列表和性能指标，请参考 Models 部分。

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。

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

有关更多验证详细信息，请访问 Val 页面。

我可以将 YOLO26 模型导出为哪些格式？

Ultralytics YOLO26 允许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。

示例
from ultralytics import YOLO

# Load the model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format
model.export(format="onnx")

请在 Export 页面查看支持的完整格式列表和说明。

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 提供顶尖的性能。以下是其主要优势：

  1. 预训练模型：利用在 COCO 和 ImageNet 等流行数据集上预训练的模型，以加快开发速度。
  2. 高准确度：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 进行了优化，使其非常适合需要快速处理的应用程序。
  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。

浏览我们的 Blog 以查看展示 YOLO26 实际应用的案例研究和成功故事。

Contributors
GLglenn-jocher33BUBurhan-Q4AMambitious-octopus3RAraimbekovm2LALaughing-q1PDpderrenger1Y-Y-T-G1MAMatthewNoyce1RIRizwanMunawar1

评论