实时 YOLO 对象检测
使用 Ultralytics YOLO26 检测模型在图像和视频中查找并定位对象。你可以使用自己的数据进行训练，通过清晰的指标进行评估，并在边缘、云端和移动设备上实时部署。
YOLO26 检测模型
对象检测是 YOLO26 系列的基础任务，包含五种模型尺寸，涵盖了从嵌入式 CPU 到对精度要求极高的云端工作负载等各类场景。每种尺寸都可以通过相同的三行 API 使用你自己的数据进行训练，并导出到你硬件运行效果最佳的格式。
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
利用我们尖端的视觉 AI 模型简化跨行业的流程。由 Ultralytics 提供支持，兼具速度、准确性和易用性。
Ultralytics YOLO 模型的发展历程
了解 Ultralytics YOLO 如何从实用的 YOLOv5 工作流演进为边缘就绪的 YOLO26 推理。
通过快速、实用的 PyTorch 工作流程，让实时目标检测变得触手可及。
扩展了跨检测、分割、分类、姿态和 OBB 的统一工作流程。
在保持熟悉的 Ultralytics 工作流程的同时，提高了准确性、速度和效率。
引入了端到端推理和针对高效边缘部署优化的架构。
利用智能标注，标注速度提升至多 10 倍
Ultralytics Platform 为你提供图像标注工具，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，同时保证高质量。
- 基于 SAM 的智能标注：一键生成掩码和边界框（BBox）。
- 全面的 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：你可以选择 YOLO、COCO、VOC 等格式。
- 团队评审与版本控制：每一步都能实现清晰的协作。
以更低成本在最好的 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。
随处部署
导出为 20 种格式，并在边缘端、云端和移动端进行部署。
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 AI
汽车 AI
医疗保健 AI
物流 AI
制造业 AI
零售 AI
机器人 AI
农业 AI
汽车 AI
医疗保健 AI
物流 AI
制造业 AI
零售 AI
机器人 AI
农业 AI
汽车 AI
医疗保健 AI
物流 AI
制造业 AI
零售 AI
机器人 AI
常见问题
对象检测用于识别图像或视频帧中的对象，并用边界框和类别标签定位每一个对象。Ultralytics YOLO 模型可以在单次传递中执行检测，这就是它们能够在从边缘设备到云端 GPU 的各种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。它采用端到端、无 NMS 的设计，简化了部署过程，且 nano 变体针对 CPU 和边缘推理进行了优化。像 YOLO11 和 YOLOv5u 这样的早期系列仍然可以通过相同的 API 获得支持。
使用 Ultralytics 库的 train 模式并配合 YOLO 格式的数据集，或者使用 Ultralytics Platform 来标注图像、在云端 GPU 上进行训练，并从浏览器管理运行任务。建议从预训练权重开始：与从头开始训练相比，微调收敛速度更快且所需数据更少。
检测模型通过在 IoU 阈值上计算出的精确率、召回率和平均精确度均值 (mAP) 进行评估。Ultralytics 验证过程会自动报告每个类别的这些指标。模型评估指南解释了如何解读这些指标，以及如何改进你的数据集和训练设置。
使用 export 模式将训练好的检测器转换为 ONNX、TensorRT、CoreML、OpenVINO 和 LiteRT 等格式，以适配你的目标硬件。YOLO26 的无 NMS 设计使导出的图结构保持简洁，并且 benchmark 模式可以在你发布之前比较不同格式下的速度和准确度。
使用 Ultralytics 构建对象检测应用
使用 Ultralytics Platform 标注数据、训练 YOLO26 检测器，并将其部署到任何地方。