ultralytics/ultralytics

什么是 Ultralytics？

Ultralytics 是官方 Python 包，提供 YOLO 系列计算机视觉模型（从 YOLOv3 到最新的 YOLO-26）。它提供了一个单一、易于安装的库，让您可以 训练、评估、预测和导出 最先进的目标检测、分割、姿态、深度、分类和跟踪模型。

主要功能

• 多种视觉任务 – 检测、实例分割、语义分割、深度估计、图像分类、姿态估计、定向边界框检测和视频目标跟踪。
• 即用型 CLI（yolo）用于无需编写代码的一行推理或训练。
• Python API（from ultralytics import YOLO）将相同的功能集成到您自己的脚本中。
• 预训练模型 – 针对每个任务提供 YOLO-26 变体（n、s、m、l、x）的目录，基于标准数据集（COCO、Cityscapes、ImageNet、NYU-Depth、DOTAv1 等）训练。
• 快速推理 – 模型可以导出为 ONNX 或 TensorRT 以实现 CPU/GPU 加速。
• 跨平台安装 – pip、conda、Docker 或从源码构建。

快速开始（CLI）

# 安装包
pip install ultralytics

# 使用预训练模型进行推理
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

该命令适用于任何支持的任务；只需将 model 参数更改为分割、姿态等模型。

快速开始（Python）

from ultralytics import YOLO

# 加载模型（首次使用时自动下载）
model = YOLO('yolo26n.pt')

# 在自定义数据集上训练（COCO 风格 yaml 配置）
model.train(data='coco8.yaml', epochs=100, imgsz=640, device='cpu')

# 评估
metrics = model.val()

# 对图像进行预测
results = model('path/to/image.jpg')
results[0].show()

# 导出为 ONNX 以进行部署

所有 CLI 参数都有对应的 Python 关键字参数。

模型目录（节选）

任务	模型	尺寸（像素）	mAP / mIoU	参数（M）	FLOPs（B）
检测（COCO）	YOLO26n	640	40.9 %	2.4	5.5
检测（COCO）	YOLO26x	640	57.5 %	55.7	194.4
分割（COCO）	YOLO26m‑seg	640	box 52.5 % / mask 44.1 %	23.6	121.7
语义分割（Cityscapes）	YOLO26l‑sem	1024×2048	82.9 % mIoU	17.8	388.2
深度（NYU-Depth V2）	YOLO26s‑depth	640	–（深度指标）	9.5	20.9
分类（ImageNet）	YOLO26n‑cls	640	–（top‑1）	2.4	5.5
姿态	YOLO26s‑pose	640	–（AP）	9.5	20.9
定向边界框（DOTAv1）	YOLO26m‑obb	640	–（mAP）	20.4	68.4

性能数据（mAP、速度等）在 COCO 验证集或相应的基准数据集上测量，使用 AWS P4d 实例进行 GPU 计时。

安装选项

• pip（默认）– pip install ultralytics
• conda – conda install -c conda-forge ultralytics
• Docker – 拉取 ultralytics/ultralytics
• 源码 – 克隆仓库并使用 pip install -e . 安装

所有安装都需要 Python ≥ 3.8 和 PyTorch ≥ 1.8。

获取帮助

• 文档 – https://docs.ultralytics.com（完整指南、API 参考、教程）
• GitHub Issues – 用于错误报告和功能请求
• Discord / Reddit / 论坛 – 社区讨论和支持
• 企业许可 – 可用于商业部署。

---

总结： Ultralytics 将最新的 YOLO 模型捆绑到一个单一、文档完善的 Python 库中，让开发者和研究人员能够快速运行或微调跨多种任务的最先进视觉模型，并可选导出为生产就绪格式。