汽车领域的计算机视觉
从质量控制到道路安全，利用 Ultralytics YOLO 为汽车行业构建实时计算机视觉解决方案。
深受全球领先机构信赖
Ultralytics YOLO 如何应对汽车行业挑战
适配你业务运营的实时 AI
专为汽车行业打造。Ultralytics YOLO 优化工作流程，提供精准、快速且可用于生产环境的计算机视觉解决方案，并可部署在你现有的基础设施上。
- 即插即用式部署：部署所需开销极少，将集成时间缩短至几天。
- 检测精度：在车辆、零部件和道路环境检测方面实现先进的实时检测性能。
- 推理延迟低于 5 毫秒：支持边缘、云端或本地部署，并提供 22 种导出格式。
- 数小时即可投入生产：通过标注、训练和部署，缩短产品上市时间。
汽车行业的实践成果
从车牌识别、车内安全到生产线旁检测，以下是各团队使用 Ultralytics YOLO 取得的成果。
试用 YOLO26 推理
拖放图像，查看实时目标检测效果
覆盖汽车行业各阶段的视觉 AI
为生产流程的每个阶段量身打造解决方案。
质量与表面检测
使用 Ultralytics YOLO 扩展缺陷检测
结合最新的检测、分割和分类模型使用 Ultralytics YOLO，实时识别每个零件、每条生产线和每个班次中的缺陷、偏差和表面异常。
- 实时精准检测：及时检测裂纹、划痕和凹痕。
- 全面覆盖 AI 任务：检测、分割、分类、姿态、OBB。
- 灵活训练：只需几分钟，即可针对任意缺陷类别微调 YOLO。
从 22 种导出格式中选择
训练一次，随处部署，从边缘微控制器到云端 GPU 集群。
以视觉 AI 变革各行各业
从工厂车间到手术室，Ultralytics 将视觉数据转化为实时决策。
RTM 使用 Ultralytics YOLO26 将推理成本降低 28%
了解 RTM 如何使用 Ultralytics YOLO26 实现工厂全天候安全监控，并利用制造商已有的硬件将推理成本降低 28%。
SK Godelius 使用 Ultralytics YOLO 检测矿山传送带上的 3,400 处缺陷
了解 SK Godelius 如何使用 Ultralytics YOLO 自动检测缺陷和异常，帮助矿厂提升安全性并简化工作流程。
Camerite 使用 Ultralytics YOLO 将开发时间缩短 25.2%
了解 Camerite 如何使用 Ultralytics YOLO 自动化视频监控、缩短开发时间，并帮助城市转向主动安防。
OnsiteIQ 使用 Ultralytics YOLO11 将项目延误减少 20%
了解 OnsiteIQ 如何使用 Ultralytics YOLO11 监控施工现场，将项目延误减少 20%，并以快 3 倍的速度解决纠纷。
mtrail 的 TrainVision 将铁路数据采集时间缩短近 100%
了解 mtrail 的 TrainVision 如何使用 Ultralytics YOLO 自动采集铁路数据，将耗时最多缩短 100%，并将错误减少 90%。
Glacier Robotics 将美国回收设施中的 PET 流失率降低了 70%
了解 Glacier Robotics 如何使用 Ultralytics YOLO11 将 PET 泄漏减少 70%、提升回收准确率并实现废弃物分拣自动化。
SOHGA 借助 Ultralytics YOLO 将停车场监控时间缩短 30%
了解 SOHGA 的 MEGURU 系统如何使用 Ultralytics YOLO26 自动执行停车场巡逻，将巡逻时间缩短 30%，并提升安全性。
Scaleout 借助 Ultralytics YOLO 将模型更新周期从数周缩短至数小时
了解 Scaleout 如何使用 Ultralytics YOLO 和联邦学习，在边缘设备上微调 AI 模型，同时确保敏感数据安全。
RapiD Engineering 借助 Ultralytics YOLO，将海鲜质量控制系统的部署时间缩短了 1 周
了解 RapiD Engineering 如何使用 Ultralytics YOLO 自动检测鲑鱼，在实时检测缺陷的同时，节省一周的工程开发时间。
Project Ocean Oasis 借助 Ultralytics YOLO 推进珊瑚礁保护
了解 Project Ocean Oasis 如何使用 Ultralytics YOLO、边缘 AI 和自主监控系统，扩大珊瑚礁保护规模并提升海洋智能水平。
Volley 借助 Ultralytics YOLO 为 250 多台球场 AI 训练器提供支持
“真正棒的一点是，这个模型在训练器的边缘硬件上能够实时出色运行，而且我们可以在云端使用同一个模型，运行完全相同的流程。”
WG Tech Solutions 借助 Ultralytics YOLO 和 Axelera 的 AI 加速器，将安全违规事件减少 28%
了解 WG Tech Solutions 如何借助 Ultralytics YOLO 和 Axelera 的 AI 加速器，将制造业安全违规事件减少 28%。
Stride 借助 Ultralytics YOLO，在 1 分钟内完成马匹步态分析
了解 Stride 如何利用 Ultralytics YOLO 模型进行马匹姿态估计，并在 1 分钟内完成完整的步态分析。
Pixelabs 借助 Ultralytics YOLO 驱动的自动化实现 95% 召回率
了解 Pixelabs 如何利用 Ultralytics YOLO 模型自动化工作流程，实现 95% 的召回率。
SiteAssist 借助 Ultralytics YOLO 处理超过 77 万张图像，提升现场安全
了解 SiteAssist 如何利用 Ultralytics YOLO 模型提升施工现场安全。
Chef Robotics 借助 Ultralytics YOLO 将食品赠送量减少 67%
了解 Chef Robotics 如何使用 Ultralytics YOLO 模型实现精准食品组装。
Cali Intelligence 借助 Ultralytics YOLO 将结账排队时间缩短 43%
了解 Cali Intelligence 如何使用 Ultralytics YOLO 模型进行目标检测，缩短零售结账排队时间。
MarineSitu 使用 Ultralytics YOLO 进行水下监测，系统正常运行时间达到 96% 以上
了解 MarineSitu 如何使用 Ultralytics YOLO 改变水下目标检测。
Theia Scientific 借助 Ultralytics YOLO 将显微镜分析速度提升 43 倍
了解 Theia Scientific 如何使用 Ultralytics YOLO 重新定义显微镜数据分析。
eSmart Systems 借助 Ultralytics YOLO 将电力线巡检时间减半
了解 eSmart Systems 如何使用 Ultralytics YOLO 提升缺陷检测速度并改造公用设施巡检。
Axelera AI 使用 Ultralytics YOLO 实现 34 FPS 的边缘 AI 推理
了解 Axelera AI 如何借助 Ultralytics YOLO，在 Metis AI 芯片上实现快速、准确且高效的边缘视觉处理。
意法半导体在 MCU 上运行 Ultralytics YOLO，每次推理仅耗电 9.4 mJ
了解 STMicroelectronics 如何在低功耗微控制器上高效部署 Ultralytics YOLO 模型，从而在边缘端实现准确的实时推理。
Specialvideo 借助 Ultralytics YOLO 将食品检测准确率提升至 99%
了解 Specialvideo 如何利用 Ultralytics YOLO 模型实现实时 AI 食品检测，确保质量、减少浪费并提升效率。
Vivity AI 借助 Ultralytics YOLO 每年为工业运营节省 500 万美元以上
了解 Vivity AI 如何利用 Ultralytics YOLO 模型增强工业自动化，提升效率、减少停机时间并保障工作场所安全。
Videologic Analytics 借助 Ultralytics YOLO 将 AI 摄像头许可扩展至 1 万个
了解 Videologic Analytics 如何集成 Ultralytics YOLO 模型以增强视频监控、提高检测准确率、减少误报并优化实时威胁监控。
Prezent 借助 Ultralytics YOLO 将幻灯片检测准确率提高 34%
了解 Prezent 如何利用 Ultralytics YOLO 模型自动检测幻灯片元素，在保留结构和设计的同时，将处理时间缩短至 10 秒以内。
ALYCE 借助 Ultralytics YOLO 将交通 AI 推理速度提升 20%
了解 ALYCE 如何利用 Ultralytics YOLO 模型提高数据准确性、优化城市交通，并打造 AI 驱动的交通解决方案，助力城市实现可持续发展与智能化。
Kiwitron 借助 Ultralytics YOLO 检测 30 米外的工业危险
了解 Kiwitron 如何在其 KewiEye 解决方案中使用 Ultralytics YOLO 模型来检测和应对工业危险，提升安全性。
RTM 使用 Ultralytics YOLO26 将推理成本降低 28%
了解 RTM 如何使用 Ultralytics YOLO26 实现工厂全天候安全监控，并利用制造商已有的硬件将推理成本降低 28%。
SK Godelius 使用 Ultralytics YOLO 检测矿山传送带上的 3,400 处缺陷
了解 SK Godelius 如何使用 Ultralytics YOLO 自动检测缺陷和异常，帮助矿厂提升安全性并简化工作流程。
Camerite 使用 Ultralytics YOLO 将开发时间缩短 25.2%
了解 Camerite 如何使用 Ultralytics YOLO 自动化视频监控、缩短开发时间，并帮助城市转向主动安防。
OnsiteIQ 使用 Ultralytics YOLO11 将项目延误减少 20%
了解 OnsiteIQ 如何使用 Ultralytics YOLO11 监控施工现场，将项目延误减少 20%，并以快 3 倍的速度解决纠纷。
mtrail 的 TrainVision 将铁路数据采集时间缩短近 100%
了解 mtrail 的 TrainVision 如何使用 Ultralytics YOLO 自动采集铁路数据，将耗时最多缩短 100%，并将错误减少 90%。
Glacier Robotics 将美国回收设施中的 PET 流失率降低了 70%
了解 Glacier Robotics 如何使用 Ultralytics YOLO11 将 PET 泄漏减少 70%、提升回收准确率并实现废弃物分拣自动化。
SOHGA 借助 Ultralytics YOLO 将停车场监控时间缩短 30%
了解 SOHGA 的 MEGURU 系统如何使用 Ultralytics YOLO26 自动执行停车场巡逻，将巡逻时间缩短 30%，并提升安全性。
Scaleout 借助 Ultralytics YOLO 将模型更新周期从数周缩短至数小时
了解 Scaleout 如何使用 Ultralytics YOLO 和联邦学习，在边缘设备上微调 AI 模型，同时确保敏感数据安全。
RapiD Engineering 借助 Ultralytics YOLO，将海鲜质量控制系统的部署时间缩短了 1 周
了解 RapiD Engineering 如何使用 Ultralytics YOLO 自动检测鲑鱼，在实时检测缺陷的同时，节省一周的工程开发时间。
Project Ocean Oasis 借助 Ultralytics YOLO 推进珊瑚礁保护
了解 Project Ocean Oasis 如何使用 Ultralytics YOLO、边缘 AI 和自主监控系统，扩大珊瑚礁保护规模并提升海洋智能水平。
Volley 借助 Ultralytics YOLO 为 250 多台球场 AI 训练器提供支持
“真正棒的一点是，这个模型在训练器的边缘硬件上能够实时出色运行，而且我们可以在云端使用同一个模型，运行完全相同的流程。”
WG Tech Solutions 借助 Ultralytics YOLO 和 Axelera 的 AI 加速器，将安全违规事件减少 28%
了解 WG Tech Solutions 如何借助 Ultralytics YOLO 和 Axelera 的 AI 加速器，将制造业安全违规事件减少 28%。
Stride 借助 Ultralytics YOLO，在 1 分钟内完成马匹步态分析
了解 Stride 如何利用 Ultralytics YOLO 模型进行马匹姿态估计，并在 1 分钟内完成完整的步态分析。
Pixelabs 借助 Ultralytics YOLO 驱动的自动化实现 95% 召回率
了解 Pixelabs 如何利用 Ultralytics YOLO 模型自动化工作流程，实现 95% 的召回率。
SiteAssist 借助 Ultralytics YOLO 处理超过 77 万张图像，提升现场安全
了解 SiteAssist 如何利用 Ultralytics YOLO 模型提升施工现场安全。
Chef Robotics 借助 Ultralytics YOLO 将食品赠送量减少 67%
了解 Chef Robotics 如何使用 Ultralytics YOLO 模型实现精准食品组装。
Cali Intelligence 借助 Ultralytics YOLO 将结账排队时间缩短 43%
了解 Cali Intelligence 如何使用 Ultralytics YOLO 模型进行目标检测，缩短零售结账排队时间。
MarineSitu 使用 Ultralytics YOLO 进行水下监测，系统正常运行时间达到 96% 以上
了解 MarineSitu 如何使用 Ultralytics YOLO 改变水下目标检测。
Theia Scientific 借助 Ultralytics YOLO 将显微镜分析速度提升 43 倍
了解 Theia Scientific 如何使用 Ultralytics YOLO 重新定义显微镜数据分析。
eSmart Systems 借助 Ultralytics YOLO 将电力线巡检时间减半
了解 eSmart Systems 如何使用 Ultralytics YOLO 提升缺陷检测速度并改造公用设施巡检。
Axelera AI 使用 Ultralytics YOLO 实现 34 FPS 的边缘 AI 推理
了解 Axelera AI 如何借助 Ultralytics YOLO，在 Metis AI 芯片上实现快速、准确且高效的边缘视觉处理。
意法半导体在 MCU 上运行 Ultralytics YOLO，每次推理仅耗电 9.4 mJ
了解 STMicroelectronics 如何在低功耗微控制器上高效部署 Ultralytics YOLO 模型，从而在边缘端实现准确的实时推理。
Specialvideo 借助 Ultralytics YOLO 将食品检测准确率提升至 99%
了解 Specialvideo 如何利用 Ultralytics YOLO 模型实现实时 AI 食品检测，确保质量、减少浪费并提升效率。
Vivity AI 借助 Ultralytics YOLO 每年为工业运营节省 500 万美元以上
了解 Vivity AI 如何利用 Ultralytics YOLO 模型增强工业自动化，提升效率、减少停机时间并保障工作场所安全。
Videologic Analytics 借助 Ultralytics YOLO 将 AI 摄像头许可扩展至 1 万个
了解 Videologic Analytics 如何集成 Ultralytics YOLO 模型以增强视频监控、提高检测准确率、减少误报并优化实时威胁监控。
Prezent 借助 Ultralytics YOLO 将幻灯片检测准确率提高 34%
了解 Prezent 如何利用 Ultralytics YOLO 模型自动检测幻灯片元素，在保留结构和设计的同时，将处理时间缩短至 10 秒以内。
ALYCE 借助 Ultralytics YOLO 将交通 AI 推理速度提升 20%
了解 ALYCE 如何利用 Ultralytics YOLO 模型提高数据准确性、优化城市交通，并打造 AI 驱动的交通解决方案，助力城市实现可持续发展与智能化。
Kiwitron 借助 Ultralytics YOLO 检测 30 米外的工业危险
了解 Kiwitron 如何在其 KewiEye 解决方案中使用 Ultralytics YOLO 模型来检测和应对工业危险，提升安全性。
RTM 使用 Ultralytics YOLO26 将推理成本降低 28%
了解 RTM 如何使用 Ultralytics YOLO26 实现工厂全天候安全监控，并利用制造商已有的硬件将推理成本降低 28%。
SK Godelius 使用 Ultralytics YOLO 检测矿山传送带上的 3,400 处缺陷
了解 SK Godelius 如何使用 Ultralytics YOLO 自动检测缺陷和异常，帮助矿厂提升安全性并简化工作流程。
Camerite 使用 Ultralytics YOLO 将开发时间缩短 25.2%
了解 Camerite 如何使用 Ultralytics YOLO 自动化视频监控、缩短开发时间，并帮助城市转向主动安防。
OnsiteIQ 使用 Ultralytics YOLO11 将项目延误减少 20%
了解 OnsiteIQ 如何使用 Ultralytics YOLO11 监控施工现场，将项目延误减少 20%，并以快 3 倍的速度解决纠纷。
mtrail 的 TrainVision 将铁路数据采集时间缩短近 100%
了解 mtrail 的 TrainVision 如何使用 Ultralytics YOLO 自动采集铁路数据，将耗时最多缩短 100%，并将错误减少 90%。
Glacier Robotics 将美国回收设施中的 PET 流失率降低了 70%
了解 Glacier Robotics 如何使用 Ultralytics YOLO11 将 PET 泄漏减少 70%、提升回收准确率并实现废弃物分拣自动化。
SOHGA 借助 Ultralytics YOLO 将停车场监控时间缩短 30%
了解 SOHGA 的 MEGURU 系统如何使用 Ultralytics YOLO26 自动执行停车场巡逻，将巡逻时间缩短 30%，并提升安全性。
Scaleout 借助 Ultralytics YOLO 将模型更新周期从数周缩短至数小时
了解 Scaleout 如何使用 Ultralytics YOLO 和联邦学习，在边缘设备上微调 AI 模型，同时确保敏感数据安全。
RapiD Engineering 借助 Ultralytics YOLO，将海鲜质量控制系统的部署时间缩短了 1 周
了解 RapiD Engineering 如何使用 Ultralytics YOLO 自动检测鲑鱼，在实时检测缺陷的同时，节省一周的工程开发时间。
Project Ocean Oasis 借助 Ultralytics YOLO 推进珊瑚礁保护
了解 Project Ocean Oasis 如何使用 Ultralytics YOLO、边缘 AI 和自主监控系统，扩大珊瑚礁保护规模并提升海洋智能水平。
Volley 借助 Ultralytics YOLO 为 250 多台球场 AI 训练器提供支持
“真正棒的一点是，这个模型在训练器的边缘硬件上能够实时出色运行，而且我们可以在云端使用同一个模型，运行完全相同的流程。”
WG Tech Solutions 借助 Ultralytics YOLO 和 Axelera 的 AI 加速器，将安全违规事件减少 28%
了解 WG Tech Solutions 如何借助 Ultralytics YOLO 和 Axelera 的 AI 加速器，将制造业安全违规事件减少 28%。
Stride 借助 Ultralytics YOLO，在 1 分钟内完成马匹步态分析
了解 Stride 如何利用 Ultralytics YOLO 模型进行马匹姿态估计，并在 1 分钟内完成完整的步态分析。
Pixelabs 借助 Ultralytics YOLO 驱动的自动化实现 95% 召回率
了解 Pixelabs 如何利用 Ultralytics YOLO 模型自动化工作流程，实现 95% 的召回率。
SiteAssist 借助 Ultralytics YOLO 处理超过 77 万张图像，提升现场安全
了解 SiteAssist 如何利用 Ultralytics YOLO 模型提升施工现场安全。
Chef Robotics 借助 Ultralytics YOLO 将食品赠送量减少 67%
了解 Chef Robotics 如何使用 Ultralytics YOLO 模型实现精准食品组装。
Cali Intelligence 借助 Ultralytics YOLO 将结账排队时间缩短 43%
了解 Cali Intelligence 如何使用 Ultralytics YOLO 模型进行目标检测，缩短零售结账排队时间。
MarineSitu 使用 Ultralytics YOLO 进行水下监测，系统正常运行时间达到 96% 以上
了解 MarineSitu 如何使用 Ultralytics YOLO 改变水下目标检测。
Theia Scientific 借助 Ultralytics YOLO 将显微镜分析速度提升 43 倍
了解 Theia Scientific 如何使用 Ultralytics YOLO 重新定义显微镜数据分析。
eSmart Systems 借助 Ultralytics YOLO 将电力线巡检时间减半
了解 eSmart Systems 如何使用 Ultralytics YOLO 提升缺陷检测速度并改造公用设施巡检。
Axelera AI 使用 Ultralytics YOLO 实现 34 FPS 的边缘 AI 推理
了解 Axelera AI 如何借助 Ultralytics YOLO，在 Metis AI 芯片上实现快速、准确且高效的边缘视觉处理。
意法半导体在 MCU 上运行 Ultralytics YOLO，每次推理仅耗电 9.4 mJ
了解 STMicroelectronics 如何在低功耗微控制器上高效部署 Ultralytics YOLO 模型，从而在边缘端实现准确的实时推理。
Specialvideo 借助 Ultralytics YOLO 将食品检测准确率提升至 99%
了解 Specialvideo 如何利用 Ultralytics YOLO 模型实现实时 AI 食品检测，确保质量、减少浪费并提升效率。
Vivity AI 借助 Ultralytics YOLO 每年为工业运营节省 500 万美元以上
了解 Vivity AI 如何利用 Ultralytics YOLO 模型增强工业自动化，提升效率、减少停机时间并保障工作场所安全。
Videologic Analytics 借助 Ultralytics YOLO 将 AI 摄像头许可扩展至 1 万个
了解 Videologic Analytics 如何集成 Ultralytics YOLO 模型以增强视频监控、提高检测准确率、减少误报并优化实时威胁监控。
Prezent 借助 Ultralytics YOLO 将幻灯片检测准确率提高 34%
了解 Prezent 如何利用 Ultralytics YOLO 模型自动检测幻灯片元素，在保留结构和设计的同时，将处理时间缩短至 10 秒以内。
ALYCE 借助 Ultralytics YOLO 将交通 AI 推理速度提升 20%
了解 ALYCE 如何利用 Ultralytics YOLO 模型提高数据准确性、优化城市交通，并打造 AI 驱动的交通解决方案，助力城市实现可持续发展与智能化。
Kiwitron 借助 Ultralytics YOLO 检测 30 米外的工业危险
了解 Kiwitron 如何在其 KewiEye 解决方案中使用 Ultralytics YOLO 模型来检测和应对工业危险，提升安全性。
常见问题
汽车领域的计算机视觉利用摄像头和 AI 模型检查车辆部件、检测缺陷、监测驾驶员行为、识别车牌，并支持高级驾驶辅助系统 (ADAS)。Ultralytics YOLO 模型可在工厂车间和车内实时执行这些检查，及时标记划痕、零件缺失、分心驾驶或不安全的道路状况。
汽车领域的计算机视觉利用 AI 模型解读工业摄像头、车载传感器和道路基础设施采集的视觉数据，实现质量检验、缺陷检测、驾驶员监测和交通分析自动化。Ultralytics YOLO26 利用深度学习识别基于规则的系统容易漏掉的细微差异，并且无需重新设计整套方案，就能适配新的车型和道路环境。
计算机视觉为车道保持、行人检测和紧急制动等 ADAS 功能提供支持，也可用于检测驾驶员疲劳、分心和使用手机情况的驾驶员监测系统。Ultralytics YOLO 模型负责检测环节，并可使用运营方的图像进行微调，以适配特定的摄像头位置和车辆结构。
对于汽车领域的应用，请选择能够使用你的特定车辆零部件或驾驶场景训练模型，并将模型部署到工厂、道路或车辆中的边缘设备上以实现低延迟推理的平台。Ultralytics Platform 在一个平台中提供标注、训练和部署功能，并提供适用于生产环境的企业许可。
可以。Ultralytics YOLO26 可导出为针对汽车嵌入式计算优化的格式，包括适用于 NVIDIA Jetson 的 TensorRT、适用于 iOS 的 CoreML，以及适用于 Hailo 加速器的 HEF。轻量级 YOLO26n 可在车载 ECU 和路侧设备的内存限制内运行，并提供适用于生产环境的企业许可。
可以。使用 TT100K 数据集训练的 Ultralytics YOLO26 能识别 221 类交通标志，包括弱光和恶劣天气条件下的标志。还可以使用车队运营商或 OEM 的图像对模型进行微调，使模型适应生产系统将面临的特定道路状况、摄像头角度和车辆结构。