深受全球领先机构信赖
试用 YOLO26 推理
拖放图像，查看实时目标检测效果
我们的模型带来的影响
借助我们先进的视觉 AI 模型，优化各行业的工作流程。由 Ultralytics 提供支持，兼具速度、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，这个模型系列持续改进实时计算机视觉工作流。
Ultralytics YOLO 模型一览
比较近期 Ultralytics YOLO 模型系列的速度、准确率和支持的视觉任务。
为什么选择 Ultralytics YOLO？
针对边缘端和云端部署进行优化
在边缘设备、云基础设施和混合系统上的实时视觉 AI 项目中，快速、可靠地获得结果。
无缝集成，内置安全保护
在各类平台和设备上集成 YOLO 模型，同时确保数据保留在本地并保护工作流。
许可与合规清晰明了
选择学术、开源或企业许可方案，满足你的部署需求。
全球社区支持
专属支持渠道、活跃论坛和定期更新，为团队提供成功所需的资源。
先进的准确率与效率
Ultralytics 持续通过聚焦准确率、效率和简化部署的研究，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 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
Ultralytics YOLO26 有多个版本：YOLO26n、YOLO26s、YOLO26m、YOLO26l 和 YOLO26x。不同尺寸的版本可以在速度和准确率之间取得平衡，满足各种用途。
Ultralytics Python 包让你可以轻松使用 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。
最适合你使用场景的 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、姿态估计和有向目标检测，适用于各种 AI 应用。