YOLO 实时目标检测
使用 Ultralytics YOLO26 检测模型查找并定位图像和视频中的目标。使用你自己的数据进行训练，通过清晰的指标进行评估，并在边缘设备、云端和移动设备上实时部署。
YOLO26 检测模型
目标检测是 YOLO26 系列的基础任务，五种模型尺寸覆盖从嵌入式 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你自己的数据进行训练，采用相同的三行 API，并导出为最适合你的硬件运行的格式。
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（像素） | mAP 50-95 | mAP 50-95（e2e） | CPU ONNX（毫秒） | T4 TensorRT（毫秒） | 参数量（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 |
Ultralytics 文档中的 YOLO26 检测基准测试数据。
深受全球领先机构信赖
我们的模型影响力
借助我们尖端的视觉 AI 模型，优化各行业流程。Ultralytics 为你带来速度、准确性和易用性。
Ultralytics YOLO 模型的演进
了解 Ultralytics YOLO 如何从实用的 YOLOv5 工作流演进到适用于边缘设备的 YOLO26 推理。
借助智能标注，提速至多 10 倍
Ultralytics Platform 为你提供图像标注工具，帮助你更快地构建高质量数据集。从智能标注到精准的手动编辑，这些功能旨在缩短图像标注时间，同时不牺牲质量。
- SAM 驱动的智能标注：一键生成掩码和边界框。
- 全面覆盖 AI 任务：目标检测、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 等格式。
- 团队审核与版本管理：协作过程清晰可见，步步有序。
以更低成本使用顶级 GPU 进行训练
26 款 NVIDIA GPU，每小时仅需 $0.24 起——涵盖 Ampere 到 Blackwell。无加价、无最低消费、无承诺。
探索行业解决方案
了解各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
制造业
零售
机器人
常见问题
目标检测用于识别图像或视频帧中的目标，并通过边界框和类别标签定位每个目标。Ultralytics YOLO 模型只需一次前向处理即可完成检测，因此能在从边缘设备到云端 GPU 的各种硬件上实时运行。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 是最新的稳定一代模型，也是新检测项目的推荐选择。其端到端、无 NMS 设计简化了部署，nano 变体针对 CPU 和边缘推理进行了优化。YOLO11 和 YOLOv5u 等早期系列仍可通过相同的 API 使用。
使用 YOLO 格式的数据集，通过 Ultralytics 库的训练模式进行训练；或者使用 Ultralytics Platform 标注图像、在云端 GPU 上训练，并通过浏览器管理训练运行。建议从预训练权重开始：与从头训练相比，微调收敛更快，所需数据也更少。
检测模型使用 IoU 阈值上的精确率、召回率和平均精度均值 (mAP) 进行评估。Ultralytics 验证会自动报告每个类别的这些指标。模型评估指南介绍了如何解读这些指标，以及如何改进数据集和训练配置。
使用 Ultralytics 构建目标检测应用
使用 Ultralytics Platform 标注数据、训练 YOLO26 检测器，并将其部署到任意环境。