深受全球领先组织信赖
尝试 YOLO26 推理
拖放图像以查看实时目标检测结果
我们的模型影响力
借助我们先进的视觉 AI 模型，简化各行业的流程。Ultralytics 为你带来速度、准确性和易用性。
—
GitHub 星标数
—
下载量
—
Ultralytics YOLO 每日使用次数
—
开源贡献者
YOLO 模型的演进
从最初的 YOLO 架构到 Ultralytics YOLO26，该模型系列持续改进实时计算机视觉工作流。
Ultralytics YOLO 模型一览
从速度、准确率和支持的视觉任务等方面比较近期的 Ultralytics YOLO 模型系列。
为什么选择 Ultralytics YOLO？
针对边缘和云端部署进行优化
为边缘设备、云基础设施和混合系统上的实时视觉 AI 项目带来快速、可靠的结果。
无缝集成与内置安全性
跨平台和设备集成 YOLO 模型，同时让数据保留在本地并保护工作流。
清晰的许可与合规方案
从学术、开源和企业许可路径中进行选择，以满足你的部署需求。
全球社区支持
专门的支持渠道、活跃的论坛和定期更新，为团队提供成功所需的资源。
最先进的准确率与效率
Ultralytics 通过专注于准确率、效率和简化部署的研究，持续提升模型性能。
查看我们的模型实际运行效果
RTM 使用 Ultralytics YOLO26 将推理成本降低 28%
了解 RTM 如何使用 Ultralytics YOLO26 赋能 7x24 小时工厂安全监控，将制造商已拥有的硬件上的推理成本降低 28%。
SK Godelius 使用 Ultralytics YOLO 检测采矿输送机上的 3,400 个缺陷
了解 SK Godelius 如何使用 Ultralytics YOLO 自动检测缺陷和异常，帮助采矿厂提高安全并优化工作流。
Camerite 借助 Ultralytics YOLO 将开发时间缩短 25.2%
了解 Camerite 如何使用 Ultralytics YOLO 自动执行视频监控，将开发时间缩短，并帮助城市转向主动式安防。
OnsiteIQ 借助 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%，并将争议解决速度提升至 3 倍。
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 自动执行铁路数据采集，将耗时最多减少 100%，并将错误减少 90%。
Glacier Robotics 将美国各回收设施的 PET 泄漏减少了 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，并自动执行废物分拣。
SOHGA 借助 Ultralytics YOLO 将停车监控时间减少 30%
了解 SOHGA 的 MEGURU 系统如何使用 Ultralytics YOLO26 自动执行停车场巡检，将巡检时间减少 30%，并提升安全性。
Scaleout 借助 Ultralytics YOLO 将模型更新从数周缩短至数小时
了解 Scaleout 如何使用 Ultralytics YOLO 和联邦学习，在确保敏感数据安全的同时，于边缘设备上微调 AI 模型。
RapiD Engineering 借助 Ultralytics YOLO 将海鲜质量控制部署提前 1 周完成
了解 RapiD Engineering 如何使用 Ultralytics YOLO 自动执行鲑鱼检测、实时发现缺陷，并节省一周的工程工作时间。
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，扩大珊瑚礁保护和海洋智能的规模。
Volley 借助 Ultralytics YOLO 为 250+ 名场上训练者提供 AI 训练
“真正令人满意的是，该模型在训练器上的边缘硬件上能够很好地实时运行，而且我们可以在云端使用同一个模型，执行完全相同的流程。”
WG Tech Solutions 借助 Ultralytics YOLO 和 Axelera 的 AI Accelerator 将安全违规减少 28%
了解 WG Tech Solutions 如何借助 Ultralytics YOLO 和 Axelera 的 AI Accelerator，将制造业中的安全违规减少 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，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 模型自动执行工作流程，并实现 95% 的召回率。
SiteAssist 通过使用 Ultralytics YOLO 处理 770K+ 张图像，提升现场安全性
了解 SiteAssist 如何利用 Ultralytics YOLO 模型提升施工现场安全性。
Chef Robotics 使用 Ultralytics YOLO 将食品赠送率降低 67%
探索 Chef Robotics 如何使用 Ultralytics YOLO 模型实现精准食品组装。
Cali Intelligence 借助 Ultralytics YOLO 将结账队列缩短 43%
探索 Cali Intelligence 如何使用 Ultralytics YOLO 模型，通过对象检测减少零售结账排队。
MarineSitu 使用 Ultralytics YOLO 实现水下监测，正常运行时间达到 96% 以上
了解 MarineSitu 如何使用 Ultralytics YOLO 改变水下对象检测。
Theia Scientific 使用 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 将电力线路巡检时间缩短一半
了解 eSmart Systems 如何使用 Ultralytics YOLO 提升缺陷检测速度，改变公用设施巡检。
Axelera AI 使用 Ultralytics YOLO 实现 34 FPS 的边缘 AI 推理
了解 Axelera AI 如何利用 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，实现边缘侧精准的实时推理。
Specialvideo 使用 Ultralytics YOLO 将食品检测准确率提升至 99%
了解 Specialvideo 如何使用 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、减少停机时间并确保工作场所安全。
Videologic Analytics 借助 Ultralytics YOLO 将 AI 摄像头许可规模扩大至 10K
了解 Videologic Analytics 如何集成 Ultralytics YOLO 模型以增强视频监控，提升检测准确率、减少误报并优化实时威胁监测。
Prezent 借助 Ultralytics YOLO 将幻灯片检测准确率提升 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 如何使用 Ultralytics YOLO 模型提升数据准确性、优化城市交通，并为可持续发展的智慧城市打造 AI 驱动的交通解决方案。
Kiwitron 使用 Ultralytics YOLO 检测 30 米外的工业危险
探索 Kiwitron 如何在其 KewiEye 解决方案中使用 Ultralytics YOLO 模型检测并处理工业危险，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 赋能 7x24 小时工厂安全监控，将制造商已拥有的硬件上的推理成本降低 28%。
SK Godelius 使用 Ultralytics YOLO 检测采矿输送机上的 3,400 个缺陷
了解 SK Godelius 如何使用 Ultralytics YOLO 自动检测缺陷和异常，帮助采矿厂提高安全并优化工作流。
Camerite 借助 Ultralytics YOLO 将开发时间缩短 25.2%
了解 Camerite 如何使用 Ultralytics YOLO 自动执行视频监控，将开发时间缩短，并帮助城市转向主动式安防。
OnsiteIQ 借助 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%，并将争议解决速度提升至 3 倍。
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 自动执行铁路数据采集，将耗时最多减少 100%，并将错误减少 90%。
Glacier Robotics 将美国各回收设施的 PET 泄漏减少了 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，并自动执行废物分拣。
SOHGA 借助 Ultralytics YOLO 将停车监控时间减少 30%
了解 SOHGA 的 MEGURU 系统如何使用 Ultralytics YOLO26 自动执行停车场巡检，将巡检时间减少 30%，并提升安全性。
Scaleout 借助 Ultralytics YOLO 将模型更新从数周缩短至数小时
了解 Scaleout 如何使用 Ultralytics YOLO 和联邦学习，在确保敏感数据安全的同时，于边缘设备上微调 AI 模型。
RapiD Engineering 借助 Ultralytics YOLO 将海鲜质量控制部署提前 1 周完成
了解 RapiD Engineering 如何使用 Ultralytics YOLO 自动执行鲑鱼检测、实时发现缺陷，并节省一周的工程工作时间。
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，扩大珊瑚礁保护和海洋智能的规模。
Volley 借助 Ultralytics YOLO 为 250+ 名场上训练者提供 AI 训练
“真正令人满意的是，该模型在训练器上的边缘硬件上能够很好地实时运行，而且我们可以在云端使用同一个模型，执行完全相同的流程。”
WG Tech Solutions 借助 Ultralytics YOLO 和 Axelera 的 AI Accelerator 将安全违规减少 28%
了解 WG Tech Solutions 如何借助 Ultralytics YOLO 和 Axelera 的 AI Accelerator，将制造业中的安全违规减少 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，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 模型自动执行工作流程，并实现 95% 的召回率。
SiteAssist 通过使用 Ultralytics YOLO 处理 770K+ 张图像，提升现场安全性
了解 SiteAssist 如何利用 Ultralytics YOLO 模型提升施工现场安全性。
Chef Robotics 使用 Ultralytics YOLO 将食品赠送率降低 67%
探索 Chef Robotics 如何使用 Ultralytics YOLO 模型实现精准食品组装。
Cali Intelligence 借助 Ultralytics YOLO 将结账队列缩短 43%
探索 Cali Intelligence 如何使用 Ultralytics YOLO 模型，通过对象检测减少零售结账排队。
MarineSitu 使用 Ultralytics YOLO 实现水下监测，正常运行时间达到 96% 以上
了解 MarineSitu 如何使用 Ultralytics YOLO 改变水下对象检测。
Theia Scientific 使用 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 将电力线路巡检时间缩短一半
了解 eSmart Systems 如何使用 Ultralytics YOLO 提升缺陷检测速度，改变公用设施巡检。
Axelera AI 使用 Ultralytics YOLO 实现 34 FPS 的边缘 AI 推理
了解 Axelera AI 如何利用 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，实现边缘侧精准的实时推理。
Specialvideo 使用 Ultralytics YOLO 将食品检测准确率提升至 99%
了解 Specialvideo 如何使用 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、减少停机时间并确保工作场所安全。
Videologic Analytics 借助 Ultralytics YOLO 将 AI 摄像头许可规模扩大至 10K
了解 Videologic Analytics 如何集成 Ultralytics YOLO 模型以增强视频监控，提升检测准确率、减少误报并优化实时威胁监测。
Prezent 借助 Ultralytics YOLO 将幻灯片检测准确率提升 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 如何使用 Ultralytics YOLO 模型提升数据准确性、优化城市交通，并为可持续发展的智慧城市打造 AI 驱动的交通解决方案。
Kiwitron 使用 Ultralytics YOLO 检测 30 米外的工业危险
探索 Kiwitron 如何在其 KewiEye 解决方案中使用 Ultralytics YOLO 模型检测并处理工业危险，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 赋能 7x24 小时工厂安全监控，将制造商已拥有的硬件上的推理成本降低 28%。
SK Godelius 使用 Ultralytics YOLO 检测采矿输送机上的 3,400 个缺陷
了解 SK Godelius 如何使用 Ultralytics YOLO 自动检测缺陷和异常，帮助采矿厂提高安全并优化工作流。
Camerite 借助 Ultralytics YOLO 将开发时间缩短 25.2%
了解 Camerite 如何使用 Ultralytics YOLO 自动执行视频监控，将开发时间缩短，并帮助城市转向主动式安防。
OnsiteIQ 借助 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%，并将争议解决速度提升至 3 倍。
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 自动执行铁路数据采集，将耗时最多减少 100%，并将错误减少 90%。
Glacier Robotics 将美国各回收设施的 PET 泄漏减少了 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，并自动执行废物分拣。
SOHGA 借助 Ultralytics YOLO 将停车监控时间减少 30%
了解 SOHGA 的 MEGURU 系统如何使用 Ultralytics YOLO26 自动执行停车场巡检，将巡检时间减少 30%，并提升安全性。
Scaleout 借助 Ultralytics YOLO 将模型更新从数周缩短至数小时
了解 Scaleout 如何使用 Ultralytics YOLO 和联邦学习，在确保敏感数据安全的同时，于边缘设备上微调 AI 模型。
RapiD Engineering 借助 Ultralytics YOLO 将海鲜质量控制部署提前 1 周完成
了解 RapiD Engineering 如何使用 Ultralytics YOLO 自动执行鲑鱼检测、实时发现缺陷，并节省一周的工程工作时间。
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，扩大珊瑚礁保护和海洋智能的规模。
Volley 借助 Ultralytics YOLO 为 250+ 名场上训练者提供 AI 训练
“真正令人满意的是，该模型在训练器上的边缘硬件上能够很好地实时运行，而且我们可以在云端使用同一个模型，执行完全相同的流程。”
WG Tech Solutions 借助 Ultralytics YOLO 和 Axelera 的 AI Accelerator 将安全违规减少 28%
了解 WG Tech Solutions 如何借助 Ultralytics YOLO 和 Axelera 的 AI Accelerator，将制造业中的安全违规减少 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，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 模型自动执行工作流程，并实现 95% 的召回率。
SiteAssist 通过使用 Ultralytics YOLO 处理 770K+ 张图像，提升现场安全性
了解 SiteAssist 如何利用 Ultralytics YOLO 模型提升施工现场安全性。
Chef Robotics 使用 Ultralytics YOLO 将食品赠送率降低 67%
探索 Chef Robotics 如何使用 Ultralytics YOLO 模型实现精准食品组装。
Cali Intelligence 借助 Ultralytics YOLO 将结账队列缩短 43%
探索 Cali Intelligence 如何使用 Ultralytics YOLO 模型，通过对象检测减少零售结账排队。
MarineSitu 使用 Ultralytics YOLO 实现水下监测，正常运行时间达到 96% 以上
了解 MarineSitu 如何使用 Ultralytics YOLO 改变水下对象检测。
Theia Scientific 使用 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 将电力线路巡检时间缩短一半
了解 eSmart Systems 如何使用 Ultralytics YOLO 提升缺陷检测速度，改变公用设施巡检。
Axelera AI 使用 Ultralytics YOLO 实现 34 FPS 的边缘 AI 推理
了解 Axelera AI 如何利用 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，实现边缘侧精准的实时推理。
Specialvideo 使用 Ultralytics YOLO 将食品检测准确率提升至 99%
了解 Specialvideo 如何使用 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、减少停机时间并确保工作场所安全。
Videologic Analytics 借助 Ultralytics YOLO 将 AI 摄像头许可规模扩大至 10K
了解 Videologic Analytics 如何集成 Ultralytics YOLO 模型以增强视频监控，提升检测准确率、减少误报并优化实时威胁监测。
Prezent 借助 Ultralytics YOLO 将幻灯片检测准确率提升 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 如何使用 Ultralytics YOLO 模型提升数据准确性、优化城市交通，并为可持续发展的智慧城市打造 AI 驱动的交通解决方案。
Kiwitron 使用 Ultralytics YOLO 检测 30 米外的工业危险
探索 Kiwitron 如何在其 KewiEye 解决方案中使用 Ultralytics YOLO 模型检测并处理工业危险，提升安全性。
常见问题
Ultralytics YOLO26 有 YOLO26n、YOLO26s、YOLO26m、YOLO26l 和 YOLO26x 等不同变体。它们具有不同的尺寸，可针对各种用途在速度和准确率之间取得平衡。
Ultralytics Python 软件包可轻松访问 Ultralytics YOLO 模型，使开发者能够在 Python 项目中训练、验证和部署目标检测、分割等计算机视觉任务。
最适合你用例的 Ultralytics YOLO 模型取决于你的需求。最新的 Ultralytics YOLO26 模型在准确率、速度和多任务支持方面带来了最新改进。
Ultralytics YOLO 包含最新的 YOLO26 模型系列，以及适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、姿态估计和定向目标检测，适用于各种 AI 应用。