深受全球领先组织信赖
体验 YOLO26 推理
拖放一张图像以查看实时目标检测
我们模型的影响力
借助我们尖端的视觉 AI 模型，简化各行各业的流程。由 Ultralytics 提供动力，兼具速度、精度与易用性。
0+
GitHub 星数
0+
下载量
0+
每日 Ultralytics YOLO 使用量
0+
开源贡献者
YOLO 模型的发展历程
从最初的 YOLO 架构到 Ultralytics YOLO26，该模型系列不断优化实时计算机视觉工作流程。
2015
YOLO
由 Joseph Redmon 及其团队开发。
2016
YOLOv2
由 Joseph Redmon 和 Ali Farhadi 创建。
2018
由 Joseph Redmon 和 Ali Farhadi 开发。
2018
由 Alexey Bochkovskiy 及其团队开发。
2020 年
YOLOv5 以快速、准确的性能和用户友好的 PyTorch 实现重新定义了目标检测。
2022
由美团团队推出。
2022
由王建尧及其团队发布。
2023 年
YOLOv8 将支持扩展到实例分割、分类、姿态估计和其他核心视觉任务。
2024 年
由王建尧及其团队开发。
2024 年
由清华大学王傲设计。
2024 年
YOLO11 在保持用户熟悉的 Ultralytics 工作流程的同时，提升了准确性、精度和速度。
2025 年
YOLO26 更轻、更小、更快，其中 nano 变体可提供高达 43% 的 CPU 推理加速。
Ultralytics YOLO模型概览
比较近期各Ultralytics YOLO模型系列的性能，涵盖速度、准确率及支持的视觉任务。
| 功能 |  |  |  |  |
|---|---|---|---|---|
| 速度 图像处理时间 | 1.06 ms | 0.99 ms | 1.5 ms | 1.7 ms |
| 准确率 mAP50-95 | 34.3% | 37.3% | 39.5% | 40.9% |
| 目标检测 | ||||
| 图像分类 | ||||
| 实例分割 | ||||
| 语义分割 | - | - | - | |
| 姿态估计 | - | |||
| OBB检测 | - |
为什么要选择 Ultralytics YOLO？
为边缘和云端部署进行了优化
在边缘设备、云基础设施和混合系统中为实时视觉 AI 项目带来快速、可靠的结果。
无缝集成，内置安全性
在不同平台和设备间集成 YOLO 模型，同时保持数据本地化并保护工作流程。
清晰的许可和合规性
从学术、开源和企业级许可路径中选择，以匹配你的部署需求。
全球社区支持
专属支持渠道、活跃的论坛和定期更新，为团队提供成功所需的资源。
最先进的准确性和效率
Ultralytics 通过专注于准确性、效率和精简部署的研究，不断提升模型性能。
查看我们模型的实际应用
SOHGA 借助 Ultralytics YOLO 将停车场监控时间缩短了 30%
了解 SOHGA 的 MEGURU 系统如何使用 Ultralytics YOLO26 实现停车场巡逻自动化，将巡逻时间缩短 30%，并提升安全性。
Scaleout 借助 Ultralytics YOLO 将模型更新时间从数周缩短至数小时
了解 Scaleout 如何利用 Ultralytics YOLO 和联邦学习在边缘设备上微调 AI 模型，同时确保敏感数据的安全。
RapiD Engineering 使用 Ultralytics YOLO 将海鲜质量控制的部署速度提高了 1 周
了解 RapiD Engineering 如何使用 Ultralytics YOLO 实现鲑鱼检查自动化，实时检测缺陷，并节省了一周的工程工作量。
Project Ocean Oasis 利用 Ultralytics YOLO 推进珊瑚礁保护
了解 Project Ocean Oasis 如何使用 Ultralytics YOLO、边缘 AI 和自主监控系统来扩展珊瑚礁保护和海洋智能。
Volley 利用 Ultralytics YOLO 为超过 250 个场上 AI 教练提供支持
“真正棒的是，该模型在训练器的边缘硬件上能实现极佳的实时性能，而且我们可以在云端使用同一个模型来运行完全相同的工作流。”
WG Tech Solutions 通过 Ultralytics YOLO 和 Axelera 的 AI 加速器将安全违规行为减少了 28%
了解 WG Tech Solutions 如何利用 Ultralytics YOLO 和 Axelera 的 AI 加速器将制造业的安全违规行为减少了 28%
Stride 使用 Ultralytics YOLO 提供 1 分钟的马匹步态分析
了解 Stride 如何利用 Ultralytics YOLO 模型进行马匹姿态估计，在不到 1 分钟内完成全面的步态分析。
Pixelabs 通过 Ultralytics YOLO 驱动的自动化实现了 95% 的召回率
了解 Pixelabs 如何利用 Ultralytics YOLO 模型自动化工作流程并实现 95% 的召回率。
SiteAssist 通过 Ultralytics YOLO 处理超过 77 万张图像来改善现场安全
了解 SiteAssist 如何利用 Ultralytics YOLO 模型改善施工现场安全。
Chef Robotics 使用 Ultralytics YOLO 将食品损耗降低了 67%
探索 Chef Robotics 如何利用 Ultralytics YOLO 模型实现精准的食品装配。
Cali Intelligence 使用 Ultralytics YOLO 将结账排队时间缩短了 43%
探索 Cali Intelligence 如何使用 Ultralytics YOLO 模型通过目标检测来缩短零售结账队列。
MarineSitu 使用 Ultralytics YOLO 在水下监测中实现 96%+ 的正常运行时间
了解 MarineSitu 如何使用 Ultralytics YOLO 改变水下目标检测方式。
Theia Scientific 使用 Ultralytics YOLO 将显微镜分析速度提高了 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 使用 Ultralytics YOLO 将电力巡检时间缩短了一半
了解 eSmart Systems 如何使用 Ultralytics YOLO 提高缺陷检测速度并实现电力巡检转型。
Axelera AI 使用 Ultralytics YOLO 实现 34 FPS 的边缘 AI 推理
了解 Axelera AI 如何使用 Ultralytics YOLO 在 Metis AI 芯片上实现快速、准确且高效的边缘视觉。
STMicroelectronics 在 MCU 上运行 Ultralytics YOLO，每次推理仅需 9.4 mJ
了解 STMicroelectronics 如何高效地在低功耗微控制器上部署 Ultralytics YOLO 模型，以在边缘侧实现精确的实时推理。
Specialvideo 使用 Ultralytics YOLO 实现了 99% 的食品检测准确率
了解 Specialvideo 如何使用 Ultralytics YOLO 模型为实时 AI 食品检测提供动力，从而确保质量、减少浪费并提高效率。
Vivity AI 通过 Ultralytics YOLO 每年在工业运营中节省超过 500 万美元
了解 Vivity AI 如何利用 Ultralytics YOLO 模型加强工业自动化，提高效率，减少停机时间并确保工作场所安全。
Videologic Analytics 通过 Ultralytics YOLO 扩展至 1 万个 AI 摄像头许可证
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 使用 Ultralytics YOLO 将幻灯片检测准确率提高了 34%
了解 Prezent 如何利用 Ultralytics YOLO 模型自动化幻灯片元素检测，在保持结构和设计的同时将处理时间缩短至 10 秒以内。
ALYCE 通过 Ultralytics YOLO 将交通 AI 推理速度提升了 20%
了解 ALYCE 如何使用 Ultralytics YOLO 模型来提高数据准确性、优化城市交通，并为可持续发展的智慧城市构建人工智能驱动的交通解决方案。
Kiwitron 使用 Ultralytics YOLO 在 30 米外检测工业危险
探索 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，从而提高安全性。
SOHGA 借助 Ultralytics YOLO 将停车场监控时间缩短了 30%
了解 SOHGA 的 MEGURU 系统如何使用 Ultralytics YOLO26 实现停车场巡逻自动化，将巡逻时间缩短 30%，并提升安全性。
Scaleout 借助 Ultralytics YOLO 将模型更新时间从数周缩短至数小时
了解 Scaleout 如何利用 Ultralytics YOLO 和联邦学习在边缘设备上微调 AI 模型，同时确保敏感数据的安全。
RapiD Engineering 使用 Ultralytics YOLO 将海鲜质量控制的部署速度提高了 1 周
了解 RapiD Engineering 如何使用 Ultralytics YOLO 实现鲑鱼检查自动化，实时检测缺陷，并节省了一周的工程工作量。
Project Ocean Oasis 利用 Ultralytics YOLO 推进珊瑚礁保护
了解 Project Ocean Oasis 如何使用 Ultralytics YOLO、边缘 AI 和自主监控系统来扩展珊瑚礁保护和海洋智能。
Volley 利用 Ultralytics YOLO 为超过 250 个场上 AI 教练提供支持
“真正棒的是，该模型在训练器的边缘硬件上能实现极佳的实时性能，而且我们可以在云端使用同一个模型来运行完全相同的工作流。”
WG Tech Solutions 通过 Ultralytics YOLO 和 Axelera 的 AI 加速器将安全违规行为减少了 28%
了解 WG Tech Solutions 如何利用 Ultralytics YOLO 和 Axelera 的 AI 加速器将制造业的安全违规行为减少了 28%
Stride 使用 Ultralytics YOLO 提供 1 分钟的马匹步态分析
了解 Stride 如何利用 Ultralytics YOLO 模型进行马匹姿态估计，在不到 1 分钟内完成全面的步态分析。
Pixelabs 通过 Ultralytics YOLO 驱动的自动化实现了 95% 的召回率
了解 Pixelabs 如何利用 Ultralytics YOLO 模型自动化工作流程并实现 95% 的召回率。
SiteAssist 通过 Ultralytics YOLO 处理超过 77 万张图像来改善现场安全
了解 SiteAssist 如何利用 Ultralytics YOLO 模型改善施工现场安全。
Chef Robotics 使用 Ultralytics YOLO 将食品损耗降低了 67%
探索 Chef Robotics 如何利用 Ultralytics YOLO 模型实现精准的食品装配。
Cali Intelligence 使用 Ultralytics YOLO 将结账排队时间缩短了 43%
探索 Cali Intelligence 如何使用 Ultralytics YOLO 模型通过目标检测来缩短零售结账队列。
MarineSitu 使用 Ultralytics YOLO 在水下监测中实现 96%+ 的正常运行时间
了解 MarineSitu 如何使用 Ultralytics YOLO 改变水下目标检测方式。
Theia Scientific 使用 Ultralytics YOLO 将显微镜分析速度提高了 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 使用 Ultralytics YOLO 将电力巡检时间缩短了一半
了解 eSmart Systems 如何使用 Ultralytics YOLO 提高缺陷检测速度并实现电力巡检转型。
Axelera AI 使用 Ultralytics YOLO 实现 34 FPS 的边缘 AI 推理
了解 Axelera AI 如何使用 Ultralytics YOLO 在 Metis AI 芯片上实现快速、准确且高效的边缘视觉。
STMicroelectronics 在 MCU 上运行 Ultralytics YOLO，每次推理仅需 9.4 mJ
了解 STMicroelectronics 如何高效地在低功耗微控制器上部署 Ultralytics YOLO 模型，以在边缘侧实现精确的实时推理。
Specialvideo 使用 Ultralytics YOLO 实现了 99% 的食品检测准确率
了解 Specialvideo 如何使用 Ultralytics YOLO 模型为实时 AI 食品检测提供动力，从而确保质量、减少浪费并提高效率。
Vivity AI 通过 Ultralytics YOLO 每年在工业运营中节省超过 500 万美元
了解 Vivity AI 如何利用 Ultralytics YOLO 模型加强工业自动化，提高效率，减少停机时间并确保工作场所安全。
Videologic Analytics 通过 Ultralytics YOLO 扩展至 1 万个 AI 摄像头许可证
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 使用 Ultralytics YOLO 将幻灯片检测准确率提高了 34%
了解 Prezent 如何利用 Ultralytics YOLO 模型自动化幻灯片元素检测，在保持结构和设计的同时将处理时间缩短至 10 秒以内。
ALYCE 通过 Ultralytics YOLO 将交通 AI 推理速度提升了 20%
了解 ALYCE 如何使用 Ultralytics YOLO 模型来提高数据准确性、优化城市交通，并为可持续发展的智慧城市构建人工智能驱动的交通解决方案。
Kiwitron 使用 Ultralytics YOLO 在 30 米外检测工业危险
探索 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，从而提高安全性。
SOHGA 借助 Ultralytics YOLO 将停车场监控时间缩短了 30%
了解 SOHGA 的 MEGURU 系统如何使用 Ultralytics YOLO26 实现停车场巡逻自动化，将巡逻时间缩短 30%，并提升安全性。
Scaleout 借助 Ultralytics YOLO 将模型更新时间从数周缩短至数小时
了解 Scaleout 如何利用 Ultralytics YOLO 和联邦学习在边缘设备上微调 AI 模型，同时确保敏感数据的安全。
RapiD Engineering 使用 Ultralytics YOLO 将海鲜质量控制的部署速度提高了 1 周
了解 RapiD Engineering 如何使用 Ultralytics YOLO 实现鲑鱼检查自动化，实时检测缺陷，并节省了一周的工程工作量。
Project Ocean Oasis 利用 Ultralytics YOLO 推进珊瑚礁保护
了解 Project Ocean Oasis 如何使用 Ultralytics YOLO、边缘 AI 和自主监控系统来扩展珊瑚礁保护和海洋智能。
Volley 利用 Ultralytics YOLO 为超过 250 个场上 AI 教练提供支持
“真正棒的是，该模型在训练器的边缘硬件上能实现极佳的实时性能，而且我们可以在云端使用同一个模型来运行完全相同的工作流。”
WG Tech Solutions 通过 Ultralytics YOLO 和 Axelera 的 AI 加速器将安全违规行为减少了 28%
了解 WG Tech Solutions 如何利用 Ultralytics YOLO 和 Axelera 的 AI 加速器将制造业的安全违规行为减少了 28%
Stride 使用 Ultralytics YOLO 提供 1 分钟的马匹步态分析
了解 Stride 如何利用 Ultralytics YOLO 模型进行马匹姿态估计，在不到 1 分钟内完成全面的步态分析。
Pixelabs 通过 Ultralytics YOLO 驱动的自动化实现了 95% 的召回率
了解 Pixelabs 如何利用 Ultralytics YOLO 模型自动化工作流程并实现 95% 的召回率。
SiteAssist 通过 Ultralytics YOLO 处理超过 77 万张图像来改善现场安全
了解 SiteAssist 如何利用 Ultralytics YOLO 模型改善施工现场安全。
Chef Robotics 使用 Ultralytics YOLO 将食品损耗降低了 67%
探索 Chef Robotics 如何利用 Ultralytics YOLO 模型实现精准的食品装配。
Cali Intelligence 使用 Ultralytics YOLO 将结账排队时间缩短了 43%
探索 Cali Intelligence 如何使用 Ultralytics YOLO 模型通过目标检测来缩短零售结账队列。
MarineSitu 使用 Ultralytics YOLO 在水下监测中实现 96%+ 的正常运行时间
了解 MarineSitu 如何使用 Ultralytics YOLO 改变水下目标检测方式。
Theia Scientific 使用 Ultralytics YOLO 将显微镜分析速度提高了 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 使用 Ultralytics YOLO 将电力巡检时间缩短了一半
了解 eSmart Systems 如何使用 Ultralytics YOLO 提高缺陷检测速度并实现电力巡检转型。
Axelera AI 使用 Ultralytics YOLO 实现 34 FPS 的边缘 AI 推理
了解 Axelera AI 如何使用 Ultralytics YOLO 在 Metis AI 芯片上实现快速、准确且高效的边缘视觉。
STMicroelectronics 在 MCU 上运行 Ultralytics YOLO，每次推理仅需 9.4 mJ
了解 STMicroelectronics 如何高效地在低功耗微控制器上部署 Ultralytics YOLO 模型，以在边缘侧实现精确的实时推理。
Specialvideo 使用 Ultralytics YOLO 实现了 99% 的食品检测准确率
了解 Specialvideo 如何使用 Ultralytics YOLO 模型为实时 AI 食品检测提供动力，从而确保质量、减少浪费并提高效率。
Vivity AI 通过 Ultralytics YOLO 每年在工业运营中节省超过 500 万美元
了解 Vivity AI 如何利用 Ultralytics YOLO 模型加强工业自动化，提高效率，减少停机时间并确保工作场所安全。
Videologic Analytics 通过 Ultralytics YOLO 扩展至 1 万个 AI 摄像头许可证
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 使用 Ultralytics YOLO 将幻灯片检测准确率提高了 34%
了解 Prezent 如何利用 Ultralytics YOLO 模型自动化幻灯片元素检测，在保持结构和设计的同时将处理时间缩短至 10 秒以内。
ALYCE 通过 Ultralytics YOLO 将交通 AI 推理速度提升了 20%
了解 ALYCE 如何使用 Ultralytics YOLO 模型来提高数据准确性、优化城市交通，并为可持续发展的智慧城市构建人工智能驱动的交通解决方案。
Kiwitron 使用 Ultralytics YOLO 在 30 米外检测工业危险
探索 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，从而提高安全性。
常见问题解答
Ultralytics YOLO26 的不同变体包括 YOLO26n、YOLO26s、YOLO26m、YOLO26l 和 YOLO26x。它们有不同的大小，旨在为各种用途提供速度与精度之间的平衡。
Ultralytics Python 软件包提供了轻松访问 Ultralytics YOLO 模型的方法，使开发者能够在 Python 项目中训练、验证和部署目标检测和分割等计算机视觉任务。
最适合你的用例的 Ultralytics YOLO 模型取决于你的具体需求。最新的 Ultralytics YOLO26 模型在精度、速度和多任务支持方面提供了最新的改进。
Ultralytics YOLO 包含了最新的 YOLO26 模型系列，以及用于现有工作流的早期 YOLO 模型系列。YOLO 模型支持多种视觉任务，包括目标检测、分割、分类、姿态估计和旋转目标检测，适用于各种 AI 应用。