github.com/ultralytics/ultralytics @v8.4.84 sqlite

<a href="https://platform.ultralytics.com/?utm_source=github&utm_medium=referral&utm_campaign=platform_launch&utm_content=banner&utm_term=ultralytics_github" target="_blank">
  <img width="100%" src="https://raw.githubusercontent.com/ultralytics/assets/main/yolov8/banner-yolov8.png" alt="Ultralytics YOLO banner"></a>

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

<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://clickpy.clickhouse.com/dashboard/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://www.reddit.com/r/ultralytics/"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>



<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo26"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>

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、跟踪、实例分割、语义分割、图像分类和姿态估计任务中表现出色。

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。

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：

# 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：

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，分类模型在 ImageNet 上预训练。跟踪模式与检测、分割和姿态模型兼容。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) | mAPval}

50-95 | mAP^val

50-95(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 | 5.4 | | 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 |}

• mAP^val 值指的是在 COCO val2017 数据集上的单模型单尺度性能。详见 YOLO 性能指标。

使用 yolo val detect data=coco.yaml device=0 复现结果。 - 速度 指标是在 Amazon EC2 P4d 实例上对 COCO val 图像进行平均测量的。CPU 速度使用 ONNX 导出进行测量。GPU 速度使用 TensorRT 导出进行测量。

使用 yolo val detect data=coco.yaml batch=1 device=0|cpu 复现结果。

分割 (COCO)

请参阅分割文档获取使用示例。这些模型在 COCO-Seg 数据集上训练，包含 80 个类别。

| 模型 | 尺寸

^{(像素) | mAPbox}

50-95(e2e) | mAP^mask

50-95(e2e) | 速度

^{CPU ONNX}

(毫秒) | 速度

^{T4 TensorRT10}

(毫秒) | 参数

^{(百万) | FLOPs}

^{(十亿) | | -------------------------------------------------------------------------------------------- | ------------------- | ------------------------- | -------------------------- | ------------------------------- | ------------------------------------ | ------------------- | -------------------- | | YOLO26n-seg | 640 | 39.6 | 33.9 | 53.3 ± 0.5 | 2.1 ± 0.0 | 2.7 | 9.1 | | YOLO26s-seg | 640 | 47.3 | 40.0 | 118.4 ± 0.9 | 3.3 ± 0.0 | 10.4 | 34.2 | | YOLO26m-seg | 640 | 52.5 | 44.1 | 328.2 ± 2.4 | 6.7 ± 0.1 | 23.6 | 121.5 | | YOLO26l-seg | 640 | 54.4}