README

中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Italiano | Türkçe | Tiếng Việt | العربية 


    
    
    
    
    
    
    
    
    
    





  



Ultralytics 基于多年在计算机视觉和人工智能领域的基础研究，创造了尖端的、最先进的 (SOTA) YOLO 模型。我们的模型不断更新以提高性能和灵活性，具有速度快、精度高和易于使用的特点。它们在目标检测、实例分割、语义分割、深度估计、图像分类、姿态估计和定向目标检测任务中表现出色，并可在视频帧间跟踪已检测到的目标。

在 Ultralytics 文档中查找详细文档。通过 GitHub Issues 获取支持。加入 Discord、Reddit 和 Ultralytics 社区论坛参与讨论！

如需商业用途，请在 Ultralytics 授权许可申请企业许可证。


  



  
  
  
  
  
  
  
  
  
  
  
  
  


 📄 文档

请参阅下文了解快速安装和使用示例。有关训练、验证、预测和部署的全面指南，请参阅我们的完整 Ultralytics 文档。


安装

在 Python=3.8 环境中安装 ultralytics 包，包括所有依赖项，并确保 PyTorch=1.8。

  

bash
pip install ultralytics


有关其他安装方法，包括 Conda、Docker 以及通过 Git 从源代码构建，请查阅快速入门指南。

  




使用方法

 CLI

您可以直接通过命令行界面 (CLI) 使用 yolo 命令来运行 Ultralytics YOLO：

bash
 使用预训练的 YOLO 模型 (例如 YOLO26n) 对图像进行预测
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'


yolo 命令支持各种任务和模式，并接受额外的参数，如 imgsz=640。浏览 YOLO CLI 文档获取更多示例。

 Python

Ultralytics YOLO 也可以直接集成到您的 Python 项目中。它接受与 CLI 相同的配置参数：

python
from ultralytics import YOLO

 加载一个预训练的 YOLO26n 模型
model = YOLO("yolo26n.pt")

 在 COCO8 数据集上训练模型 100 个周期
train_results = model.train(
    data="coco8.yaml",   数据集配置文件路径
    epochs=100,   训练周期数
    imgsz=640,   训练图像尺寸
    device="cpu",   运行设备 (例如 'cpu', 0, [0,1,2,3])
)

 评估模型在验证集上的性能
metrics = model.val()

 对图像执行目标检测
results = model("path/to/image.jpg")   对图像进行预测
results[0].show()   显示结果

 将模型导出为 ONNX 格式以进行部署
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 支持广泛的 YOLO 模型，从早期的版本如 YOLOv3 到最新的 YOLO26。下表展示了在 COCO 上预训练的 YOLO26 模型，用于检测、分割和姿态估计任务。语义分割模型在 Cityscapes 上预训练，深度估计模型在广泛的多数据集混合上预训练并在 NYU Depth V2 上评估，分类模型在 ImageNet 上预训练，OBB 模型在 DOTAv1 上预训练。跟踪模式与检测、分割、姿态和 OBB 模型兼容。所有模型在首次使用时都会自动从最新的 Ultralytics 发布版本下载。


    




检测 (COCO)

浏览检测文档获取使用示例。这些模型在 COCO 数据集上训练，包含 80 个对象类别。

| 模型                                                                   | 尺寸(像素) | mAPval50-95 | mAPval50-95(e2e) | 速度CPU ONNX(毫秒) | 速度T4 TensorRT10(毫秒) | 参数(百万) | FLOPs(十亿) |
| ---------------------------------------------------------------------- | ------------------- | --------------------------------- | ------------------------------------------ | ------------------------------- | ------------------------------------ | ------------------- | -------------------- |
| YOLO26n | 640                 | 40.9                              | 40.1                                       | 38.9 ± 0.7                      | 1.7 ± 0.0                            | 2.4                 | 5.5                  |
| YOLO26s | 640                 | 48.6                              | 47.8                                       | 87.2 ± 0.9                      | 2.5 ± 0.0                            | 9.5                 | 20.9                 |
| YOLO26m | 640                 | 53.1                              | 52.5                                       | 220.0 ± 1.4                     | 4.7 ± 0.1