Ultralytics 基于多年来在计算机视觉和人工智能领域的基础研究，打造了前沿的、最先进的（SOTA）YOLO模型。我们的模型不断更新，以提升性能和灵活性，具有速度快、精度高和易于使用的特点。
它们在目标检测、跟踪、实例分割、图像分类和姿态估计任务中表现出色。
安装
在配备 PyTorch>=1.8 的 Python>=3.8 环境中，安装包含所有依赖项的 ultralytics 包：
pipinstallultralytics用法
命令行界面（CLI）
你可以直接通过命令行界面（CLI）使用 Ultralytics YOLO，命令为 yolo：
# 使用预训练的 YOLO26n 模型对图像进行预测yolo predictmodel=yolo26n.ptsource='https://ultralytics.com/images/bus.jpg'yolo 命令支持各种任务和模式，可接受 imgsz=640 等附加参数。更多示例请查看 YOLO CLI 文档。
Python
Ultralytics YOLO 也可以直接集成到你的 Python 项目中。它接受与命令行界面相同的配置参数：
fromultralyticsimportYOLO# 加载预训练的 YOLO26n 模型model=YOLO("yolo26n.pt")# 在 COCO8 数据集上训练模型，共 100 轮train_results=model.train(data="coco8.yaml",# 数据集配置文件路径epochs=100,# 训练轮数imgsz=640,# 训练图像尺寸device="cpu",# 运行设备（如 'cpu', 0, [0,1,2,3]）)# 在验证集上评估模型性能metrics=model.val()# 对图像执行目标检测results=model("path/to/image.jpg")# 预测results[0].show()# 显示结果# 将模型导出为 ONNX 格式用于部署path=model.export(format="onnx")# 返回导出模型的路径在 YOLO Python 文档中发现更多示例。
模型
Ultralytics 支持多种 YOLO 模型，从早期版本如 YOLOv3 到最新的 YOLO26 均有涵盖。下表展示了在 COCO 数据集上预训练的 YOLO26 模型，适用于目标检测、图像分割和姿态估计任务。此外，还有在 ImageNet 数据集上预训练的分类模型。跟踪模式与所有检测、分割和姿态模型兼容。所有模型在首次使用时会从 Ultralytics 最新版本中自动下载。
目标检测（COCO）
这些模型在 COCO 数据集上进行了训练，包含 80 个对象类别。
| 模型 | 尺寸 (像素) | mAPval 50-95 | mAPval 50-95 (e2e) | CPU ONNX 速度 (ms) | T4 TensorRT 速度 (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 值指的是在 COCO val2017 数据集上的单模型单尺度性能。
速度指标是在 COCO 验证集图像上使用 Amazon EC2 P4d 实例取平均值得到的。CPU 速度通过 ONNX 导出测量，GPU 速度通过 TensorRT 导出测量。
集成
我们与 Weights & Biases、Comet ML、Roboflow 和 Intel OpenVINO 等领先 AI 平台深度集成，增强数据标注、训练、可视化和模型管理能力。
下载链接： https://github.com/ultralytics/ultralytics
