这一版本将实时目标检测带给了数百万用户 —— 基于 PyTorch 原生打造，速度快，且训练异常简便。
集检测、分割、分类、姿态估计和旋转边界框于一体的单一框架。
精简的架构以更少的参数实现了更高的准确率，在Ultralytics YOLO Vision 2024大会上正式发布。
我们目前推荐的模型 —— 在各项视觉任务中都更快、更准，且已做好生产准备。
一站式端到端平台，支持数据标注、训练YOLO模型以及在全球42个区域进行部署。
我们的首个语义分割模型 —— 提供像素级密集的类别标签，实现全场景理解。
一个用 Rust 编写的高性能 YOLO 推理库和 CLI，在基于与 Ultralytics Python 包相匹配的 API 设计之后，在 ONNX Runtime 上运行模型。
直接在浏览器中运行 YOLO 模型，无需服务器，也无需 Python。它运行在 WebGPU 上，带有自动 CPU 和 wasm 后备支持，其背后是一个由编译为 WebAssembly 的 Rust crate 驱动的小型 TypeScript API。
YOLO26 背后的研究论文 —— 详细介绍了其无需 NMS 的端到端设计、全新的 MuSGD 优化器，以及在所有五种模型规模上实现的最先进的准确率-延迟权衡。
更快、更准的多目标追踪 —— 在现实世界的视频场景中，即使在遮挡和拥挤环境下也能保持更稳定的身份识别。
- Re-ID — 重识别技术可在跨摄像头及遮挡情况下保持目标身份的一致性
内置的知识蒸馏技术可以将大型教师模型压缩为更小、更快的学生模型，同时有助于保持精度，实现高效的边缘计算和实时部署。
YOLO26 深度模型可以从单个 RGB 摄像头预测密集的逐像素距离图，从而在无需专用深度传感器或激光雷达的情况下增加 3D 空间感知能力。
Ultralytics YOLO Vision 2026
下一代旗舰级 YOLO，在 Ultralytics YOLO Vision 2026 上现场揭晓，将该系列扩展至视觉语言领域：
- YOLO-VLM — 一种轻量级的 YOLO 前端，为更深层的 LLM 层提供输入，实现高效的视觉-语言流水线
在 iOS 27 和 macOS 27 正式发布后，将 YOLO 模型导出为 Apple 新的 .aimodel 格式以适配 Core AI 运行时，同时保留 Core ML 以实现更广泛的设备兼容性。
今年剩余时间内，平台将聚焦于以下三个产品方向：
- 自动训练 (Auto-Training) — 由 LLM 驱动的迭代式训练分析，通过自动诊断每次运行并持续优化配置，从而不断提升准确率。
- 本地部署 (On-Premise) — 在你自己的基础设施内运行平台，确保数据和训练过程完全由你掌控。
- 监控 (Monitoring) — 生产环境模型监控，用于跟踪性能、捕捉偏差并保持部署的健康状态。
2027 年期间，YOLO 家族将加入更多新功能：
- YOLO-OCR — 快速、准确的文字识别
- YOLO-Face — 人脸识别与分析
- YOLO-Stereo3D — 为机器人提供的双目摄像头立体3D检测，一种原生于摄像头的激光雷达替代方案