YOLO26 检测模型
目标检测是 YOLO26 系列的基础任务，包含五种模型尺寸，涵盖从嵌入式 CPU 到对准确率要求极高的云端工作负载。每种尺寸都可以使用相同的三行代码 API 在你自己的数据上进行训练，并导出到你的硬件运行效果最好的格式。
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 detection model
model = YOLO("yolo26n.pt")
# Run inference
results = model("image.jpg")| 模型 | 尺寸 (px) | mAP 50-95 | mAP 50-95 (e2e) | CPU ONNX (ms) | T4 TensorRT (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 |
来自 Ultralytics 文档的 YOLO26 检测基准测试。
深受全球领先组织信赖
我们模型的影响力
借助我们尖端的视觉 AI 模型，简化各行业的流程。由 Ultralytics 提供支持的速度、准确性与易用性。
Ultralytics YOLO 模型的演进
了解 Ultralytics YOLO 如何从实用的 YOLOv5 工作流演进到边缘就绪的 YOLO26 推理。
通过智能标注实现高达 10 倍的标注速度提升
Ultralytics Platform 提供图像标注工具，帮助你更快地构建高质量数据集。从智能标注到精确的手动编辑，这些功能旨在缩短图像标注时间，同时不降低质量。
- SAM 驱动的智能标注：一键生成掩码和边界框。
- 全 AI 任务覆盖：检测、实例分割、语义分割、分类、姿态估计、OBB。
- 通用格式支持：随心选择 YOLO、COCO 等格式。
- 团队审阅与版本控制：在每一步都实现清晰的协作。
以更低成本在最佳 GPU 上进行训练
26 款 NVIDIA GPU，价格低至 $0.24/小时——从 Ampere 到 Blackwell。无加价、无最低消费、无承诺。
探索行业解决方案
了解团队如何在生产环境中应用 Ultralytics 计算机视觉。
农业
汽车
医疗保健
物流
制造
零售
机器人
农业
汽车
医疗保健
物流
制造
零售
机器人
农业
汽车
医疗保健
物流
制造
零售
机器人
常见问题解答
目标检测能够识别图像或视频帧中的对象，并通过边界框和类别标签定位每个对象。Ultralytics YOLO 模型在单次传递中执行检测，这也是它们能够在从边缘设备到云端 GPU 的硬件上实时运行的原因。检测是 Ultralytics YOLO 系列的基础任务，也是跟踪、计数和分析工作流程的起点。
Ultralytics YOLO26 是最新的稳定版本，也是新检测项目的推荐选择。其端到端且无需 NMS 的设计简化了部署，其中的微型变体已针对 CPU 和边缘推理进行优化。诸如 YOLO11 和 YOLOv5u 等早期系列仍然通过相同的 API 得到支持。
使用 Ultralytics 库的训练模式配合你的 YOLO 格式数据集，或者使用 Ultralytics Platform 来标注图像、在云端 GPU 上进行训练并在浏览器中管理运行。建议从预训练权重开始：微调比从头训练收敛更快且需要更少的数据。
检测模型的评估指标包括在各个 IoU 阈值下计算得出的精确率、召回率和平均精度均值 (mAP)。Ultralytics 验证会自动为每个类别报告这些指标。模型评估指南解释了如何解读这些指标并改善你的数据集与训练设置。
使用 Ultralytics 构建目标检测
使用 Ultralytics 平台标注数据、训练 YOLO26 检测器，并将其部署到任何地方。