YOLO26 正式发布6 大任务一战封神n 模型 mAP 40.9 跑 1.7ms从检测到分割到姿态一条龙 目标检测选 YOLO实例分割还是 YOLO姿态估计也是 YOLO——Ultralytics 一手打造了 CV 界的万能瑞士军刀。YOLO26 全系模型已上线5 档尺寸覆盖 n/s/m/l/x目标检测、实例分割、语义分割、图像分类、姿态估计、旋转框检测 6 大任务一个框架全搞定。YOLO26n 检测 mAP 40.9、推理仅 1.7msYOLO26x 检测 mAP 57.5——又快又准的新王者 目录1. Ultralytics YOLO 是什么2. YOLO26 全系模型性能3. 三行代码跑起来4. 6 大任务详解5. 模型选型指南6. 部署导出7. 生态集成8. 许可证与商用9. 优缺点与踩坑经验10. 总结1. Ultralytics YOLO 是什么Ultralytics YOLO是由 Ultralytics 团队开发的最先进的计算机视觉框架基于多年 CV 基础研究持续迭代。从 YOLOv3 到最新的YOLO26一直是目标检测领域的速度-精度标杆。 项目地址https://github.com/ultralytics/ultralytics 官方文档https://docs.ultralytics.com 在线平台https://platform.ultralytics.com⭐ GitHub Star36K 许可证AGPL-3.0开源/Enterprise License商用一框架搞定 6 大任务任务说明典型场景目标检测检测并定位图中物体安防监控、自动驾驶、工业质检️实例分割像素级分割每个实例医学影像、机器人抓取语义分割像素级分类每个区域自动驾驶场景理解、遥感图像分类整图分类内容审核、商品识别姿态估计人体关键点检测健身 APP、运动分析旋转框检测 (OBB)检测任意角度目标遥感图像、航空检测2. YOLO26 全系模型性能 目标检测COCO val2017模型mAP 50-95mAP 50-95 (e2e)CPU ONNX (ms)T4 TensorRT (ms)参数量 (M)FLOPs (B)YOLO26n40.940.138.91.7⚡2.45.4YOLO26s48.647.887.22.59.520.7YOLO26m53.152.5220.04.720.468.2YOLO26l55.054.4286.26.224.886.4YOLO26x57.556.9525.811.855.7193.9YOLO26n仅 2.4M 参数T4 推理1.7ms嵌入式设备首选YOLO26xmAP57.5精度王者服务器部署首选️ 实例分割COCO-Seg模型mAP-box (e2e)mAP-mask (e2e)T4 TensorRT (ms)参数量 (M)YOLO26n-seg39.633.92.12.7YOLO26s-seg47.340.03.310.4YOLO26m-seg52.544.16.723.6YOLO26l-seg54.445.58.028.0YOLO26x-seg56.547.016.462.8 语义分割Cityscapes模型mIoURTX3090 速度 (ms)参数量 (M)YOLO26n-sem78.34.41.6YOLO26s-sem80.88.46.5YOLO26m-sem82.019.914.3YOLO26l-sem82.926.517.9YOLO26x-sem83.648.940.2 图像分类ImageNet模型Top-1 AccTop-5 AccT4 TensorRT (ms)参数量 (M)YOLO26n-cls71.490.11.12.8YOLO26s-cls76.092.91.36.7YOLO26m-cls78.194.22.011.6YOLO26l-cls79.094.62.814.1YOLO26x-cls79.995.03.829.6 姿态估计COCO-Pose模型mAP-pose (e2e)mAP-pose50 (e2e)T4 TensorRT (ms)参数量 (M)YOLO26n-pose57.283.31.82.9YOLO26s-pose63.086.62.710.4YOLO26m-pose68.889.65.021.5YOLO26l-pose70.490.56.525.9YOLO26x-pose71.691.612.257.6 旋转框检测DOTAv1模型mAP 50-95 (e2e)mAP 50 (e2e)T4 TensorRT (ms)参数量 (M)YOLO26n-obb52.478.92.82.5YOLO26s-obb54.880.94.99.8YOLO26m-obb55.381.010.221.2YOLO26l-obb56.281.613.025.6YOLO26x-obb56.781.730.557.63. 三行代码跑起来安装pipinstallultralytics其他安装方式# Condacondainstall-cconda-forge ultralytics# Dockerdockerpull ultralytics/ultralytics# 从源码gitclone https://github.com/ultralytics/ultralytics pipinstall-eultralyticsCLI 使用# 目标检测yolo predictmodelyolo26n.ptsourcehttps://ultralytics.com/images/bus.jpg# 训练yolo trainmodelyolo26n.ptdatacoco8.yamlepochs100imgsz640# 验证yolo valmodelyolo26n.ptdatacoco.yamlPython 使用fromultralyticsimportYOLO# 1. 加载模型modelYOLO(yolo26n.pt)# 2. 训练model.train(datacoco8.yaml,epochs100,imgsz640,devicecpu)# 3. 验证metricsmodel.val()# 4. 推理resultsmodel(path/to/image.jpg)results[0].show()# 5. 导出pathmodel.export(formatonnx)就这么简单统一的 API 设计换模型只需改一行YOLO(yolo26s.pt)。4. 6 大任务详解 目标检测最经典、最广泛使用的 YOLO 任务。输入图片 → 输出边界框 类别 置信度。modelYOLO(yolo26n.pt)resultsmodel(bus.jpg)forresultinresults:boxesresult.boxesforboxinboxes:print(f类别:{box.cls}, 置信度:{box.conf}, 坐标:{box.xyxy})️ 实例分割在检测基础上增加像素级掩码区分同一类别的不同实例。modelYOLO(yolo26n-seg.pt)resultsmodel(bus.jpg)forresultinresults:masksresult.masks# 掩码boxesresult.boxes# 检测框 语义分割对每个像素分类不区分实例。适合场景理解。modelYOLO(yolo26n-sem.pt)resultsmodel(cityscape.jpg)forresultinresults:probsresult.probs# 语义概率图 图像分类整图分类输出类别概率分布。modelYOLO(yolo26n-cls.pt)resultsmodel(cat.jpg)forresultinresults:top5result.probs.top5# Top-5 类别 姿态估计检测人体关键点17 个 COCO 关键点可用于动作识别、健身辅助。modelYOLO(yolo26n-pose.pt)resultsmodel(person.jpg)forresultinresults:keypointsresult.keypoints# 关键点坐标 置信度 旋转框检测 (OBB)检测任意角度的目标输出旋转边界框。遥感、航拍必备。modelYOLO(yolo26n-obb.pt)resultsmodel(satellite.jpg)forresultinresults:obbresult.obb# 旋转框forbinobb:print(f旋转框:{b.xywhr})# cx, cy, w, h, angle 目标跟踪检测 跟踪支持 BoT-SORT 和 ByteTrack。modelYOLO(yolo26n.pt)resultsmodel.track(sourcevideo.mp4,showTrue)5. 模型选型指南按场景选模型场景推荐模型理由 移动端/嵌入式YOLO26n2.4M 参数1.7ms 推理 实时服务YOLO26s精度-速度最佳平衡⚖️ 通用场景YOLO26m53.1 mAP4.7ms性能够用 高精度需求YOLO26l55.0 mAP工业级精度 极致精度YOLO26x57.5 mAP服务器部署按任务选后缀任务模型后缀示例目标检测无后缀yolo26n.pt实例分割-segyolo26n-seg.pt语义分割-semyolo26n-sem.pt图像分类-clsyolo26n-cls.pt姿态估计-poseyolo26n-pose.pt旋转框检测-obbyolo26n-obb.pt精度-速度权衡图检测任务精度 ↑ 57.5 ┤ ★ YOLO26x 55.0 ┤ ★ YOLO26l 53.1 ┤ ★ YOLO26m 48.6 ┤ ★ YOLO26s 40.9 ┤ ★ YOLO26n └──┬────┬────┬────┬────┬────┬────┬──→ 速度 (T4 ms) 1.7 2.5 4.7 6.2 11.86. 部署导出Ultralytics 支持一键导出多种格式modelYOLO(yolo26n.pt)# 导出 ONNXmodel.export(formatonnx)# 导出 TensorRTGPU 部署首选model.export(formatengine)# 导出 Core MLiOS 部署model.export(formatcoreml)# 导出 TFLiteAndroid 部署model.export(formattflite)# 导出 OpenVINOIntel 推理model.export(formatopenvino)格式后缀适用场景ONNX.onnx通用跨平台推理TensorRT.engineNVIDIA GPU 极速推理Core ML.mlpackageiOS/macOS 部署TFLite.tfliteAndroid / 嵌入式OpenVINO.xmlIntel CPU/GPU/VPUNCNN.param移动端轻量推理GGUF.gguf量化部署7. 生态集成Ultralytics 与主流 AI 平台深度集成平台功能Weights Biases实验追踪、超参搜索、可视化Comet ML实验管理、模型对比Roboflow数据标注、数据集管理Intel OpenVINOIntel 硬件加速推理ClearMLMLOps 流水线Ultralytics HUB一站式训练、部署、管理Ultralytics HUBUltralytics HUB 是官方一站式平台️ 零代码训练模型 可视化训练监控 一键部署到边缘设备 数据集版本管理8. 许可证与商用Ultralytics 提供双许可证模式许可证适用说明AGPL-3.0学生、研究者、爱好者OSI 认证开源要求衍生作品同样开源Enterprise License企业商用允许闭源商业使用无需公开代码⚠️ 如果你的产品使用 Ultralytics YOLO 且不打算开源必须购买 Enterprise License。详见 Ultralytics Licensing。9. 优缺点与踩坑经验✅ 优点维度评分说明精度⭐⭐⭐⭐⭐YOLO26x 检测 mAP 57.5全任务 SOTA速度⭐⭐⭐⭐⭐YOLO26n T4 仅 1.7ms极致速度易用性⭐⭐⭐⭐⭐pip install 三行代码统一 API任务覆盖⭐⭐⭐⭐⭐6 大任务 跟踪一个框架全覆盖部署⭐⭐⭐⭐⭐一键导出 ONNX/TensorRT/TFLite/Core ML 等文档⭐⭐⭐⭐⭐官方文档 教程 示例非常完善社区⭐⭐⭐⭐⭐36K StarDiscord/Reddit/论坛活跃⚠️ 注意事项事项说明AGPL-3.0商用需购买 Enterprise License模型自动下载首次使用会自动从 GitHub Release 下载权重需联网显存需求YOLO26x 训练需较大显存建议 24GB数据集格式需使用 Ultralytics YAML 格式需从 COCO/VOC 转换跟踪稳定性复杂场景下跟踪 ID 可能跳变需调参10. 总结Ultralytics YOLO 是计算机视觉领域的事实标准——没有之一6 大任务全覆盖检测 / 分割 / 语义分割 / 分类 / 姿态 / 旋转框 跟踪⚡极致速度YOLO26n T4 推理 1.7ms嵌入式设备可用SOTA 精度YOLO26x 检测 mAP 57.5各任务均达顶尖水平️极简 APIpip install 三行代码统一接口换模型只需改一行一键部署ONNX / TensorRT / Core ML / TFLite / OpenVINO / NCNN生态丰富WB / Comet / Roboflow / HUB 深度集成推荐指数⭐⭐⭐⭐⭐无论你是 CV 初学者还是资深工程师Ultralytics YOLO 都是目前最值得掌握的视觉框架。从研究到生产从手机到服务器一套 API 打通全链路。 项目地址https://github.com/ultralytics/ultralytics 官方文档https://docs.ultralytics.com标签#YOLO #Ultralytics #目标检测 #深度学习 #计算机视觉 #YOLO26
YOLO26 正式发布！6 大任务一战封神，n 模型 mAP 40.9 跑 1.7ms，从检测到分割到姿态一条龙
YOLO26 正式发布6 大任务一战封神n 模型 mAP 40.9 跑 1.7ms从检测到分割到姿态一条龙 目标检测选 YOLO实例分割还是 YOLO姿态估计也是 YOLO——Ultralytics 一手打造了 CV 界的万能瑞士军刀。YOLO26 全系模型已上线5 档尺寸覆盖 n/s/m/l/x目标检测、实例分割、语义分割、图像分类、姿态估计、旋转框检测 6 大任务一个框架全搞定。YOLO26n 检测 mAP 40.9、推理仅 1.7msYOLO26x 检测 mAP 57.5——又快又准的新王者 目录1. Ultralytics YOLO 是什么2. YOLO26 全系模型性能3. 三行代码跑起来4. 6 大任务详解5. 模型选型指南6. 部署导出7. 生态集成8. 许可证与商用9. 优缺点与踩坑经验10. 总结1. Ultralytics YOLO 是什么Ultralytics YOLO是由 Ultralytics 团队开发的最先进的计算机视觉框架基于多年 CV 基础研究持续迭代。从 YOLOv3 到最新的YOLO26一直是目标检测领域的速度-精度标杆。 项目地址https://github.com/ultralytics/ultralytics 官方文档https://docs.ultralytics.com 在线平台https://platform.ultralytics.com⭐ GitHub Star36K 许可证AGPL-3.0开源/Enterprise License商用一框架搞定 6 大任务任务说明典型场景目标检测检测并定位图中物体安防监控、自动驾驶、工业质检️实例分割像素级分割每个实例医学影像、机器人抓取语义分割像素级分类每个区域自动驾驶场景理解、遥感图像分类整图分类内容审核、商品识别姿态估计人体关键点检测健身 APP、运动分析旋转框检测 (OBB)检测任意角度目标遥感图像、航空检测2. YOLO26 全系模型性能 目标检测COCO val2017模型mAP 50-95mAP 50-95 (e2e)CPU ONNX (ms)T4 TensorRT (ms)参数量 (M)FLOPs (B)YOLO26n40.940.138.91.7⚡2.45.4YOLO26s48.647.887.22.59.520.7YOLO26m53.152.5220.04.720.468.2YOLO26l55.054.4286.26.224.886.4YOLO26x57.556.9525.811.855.7193.9YOLO26n仅 2.4M 参数T4 推理1.7ms嵌入式设备首选YOLO26xmAP57.5精度王者服务器部署首选️ 实例分割COCO-Seg模型mAP-box (e2e)mAP-mask (e2e)T4 TensorRT (ms)参数量 (M)YOLO26n-seg39.633.92.12.7YOLO26s-seg47.340.03.310.4YOLO26m-seg52.544.16.723.6YOLO26l-seg54.445.58.028.0YOLO26x-seg56.547.016.462.8 语义分割Cityscapes模型mIoURTX3090 速度 (ms)参数量 (M)YOLO26n-sem78.34.41.6YOLO26s-sem80.88.46.5YOLO26m-sem82.019.914.3YOLO26l-sem82.926.517.9YOLO26x-sem83.648.940.2 图像分类ImageNet模型Top-1 AccTop-5 AccT4 TensorRT (ms)参数量 (M)YOLO26n-cls71.490.11.12.8YOLO26s-cls76.092.91.36.7YOLO26m-cls78.194.22.011.6YOLO26l-cls79.094.62.814.1YOLO26x-cls79.995.03.829.6 姿态估计COCO-Pose模型mAP-pose (e2e)mAP-pose50 (e2e)T4 TensorRT (ms)参数量 (M)YOLO26n-pose57.283.31.82.9YOLO26s-pose63.086.62.710.4YOLO26m-pose68.889.65.021.5YOLO26l-pose70.490.56.525.9YOLO26x-pose71.691.612.257.6 旋转框检测DOTAv1模型mAP 50-95 (e2e)mAP 50 (e2e)T4 TensorRT (ms)参数量 (M)YOLO26n-obb52.478.92.82.5YOLO26s-obb54.880.94.99.8YOLO26m-obb55.381.010.221.2YOLO26l-obb56.281.613.025.6YOLO26x-obb56.781.730.557.63. 三行代码跑起来安装pipinstallultralytics其他安装方式# Condacondainstall-cconda-forge ultralytics# Dockerdockerpull ultralytics/ultralytics# 从源码gitclone https://github.com/ultralytics/ultralytics pipinstall-eultralyticsCLI 使用# 目标检测yolo predictmodelyolo26n.ptsourcehttps://ultralytics.com/images/bus.jpg# 训练yolo trainmodelyolo26n.ptdatacoco8.yamlepochs100imgsz640# 验证yolo valmodelyolo26n.ptdatacoco.yamlPython 使用fromultralyticsimportYOLO# 1. 加载模型modelYOLO(yolo26n.pt)# 2. 训练model.train(datacoco8.yaml,epochs100,imgsz640,devicecpu)# 3. 验证metricsmodel.val()# 4. 推理resultsmodel(path/to/image.jpg)results[0].show()# 5. 导出pathmodel.export(formatonnx)就这么简单统一的 API 设计换模型只需改一行YOLO(yolo26s.pt)。4. 6 大任务详解 目标检测最经典、最广泛使用的 YOLO 任务。输入图片 → 输出边界框 类别 置信度。modelYOLO(yolo26n.pt)resultsmodel(bus.jpg)forresultinresults:boxesresult.boxesforboxinboxes:print(f类别:{box.cls}, 置信度:{box.conf}, 坐标:{box.xyxy})️ 实例分割在检测基础上增加像素级掩码区分同一类别的不同实例。modelYOLO(yolo26n-seg.pt)resultsmodel(bus.jpg)forresultinresults:masksresult.masks# 掩码boxesresult.boxes# 检测框 语义分割对每个像素分类不区分实例。适合场景理解。modelYOLO(yolo26n-sem.pt)resultsmodel(cityscape.jpg)forresultinresults:probsresult.probs# 语义概率图 图像分类整图分类输出类别概率分布。modelYOLO(yolo26n-cls.pt)resultsmodel(cat.jpg)forresultinresults:top5result.probs.top5# Top-5 类别 姿态估计检测人体关键点17 个 COCO 关键点可用于动作识别、健身辅助。modelYOLO(yolo26n-pose.pt)resultsmodel(person.jpg)forresultinresults:keypointsresult.keypoints# 关键点坐标 置信度 旋转框检测 (OBB)检测任意角度的目标输出旋转边界框。遥感、航拍必备。modelYOLO(yolo26n-obb.pt)resultsmodel(satellite.jpg)forresultinresults:obbresult.obb# 旋转框forbinobb:print(f旋转框:{b.xywhr})# cx, cy, w, h, angle 目标跟踪检测 跟踪支持 BoT-SORT 和 ByteTrack。modelYOLO(yolo26n.pt)resultsmodel.track(sourcevideo.mp4,showTrue)5. 模型选型指南按场景选模型场景推荐模型理由 移动端/嵌入式YOLO26n2.4M 参数1.7ms 推理 实时服务YOLO26s精度-速度最佳平衡⚖️ 通用场景YOLO26m53.1 mAP4.7ms性能够用 高精度需求YOLO26l55.0 mAP工业级精度 极致精度YOLO26x57.5 mAP服务器部署按任务选后缀任务模型后缀示例目标检测无后缀yolo26n.pt实例分割-segyolo26n-seg.pt语义分割-semyolo26n-sem.pt图像分类-clsyolo26n-cls.pt姿态估计-poseyolo26n-pose.pt旋转框检测-obbyolo26n-obb.pt精度-速度权衡图检测任务精度 ↑ 57.5 ┤ ★ YOLO26x 55.0 ┤ ★ YOLO26l 53.1 ┤ ★ YOLO26m 48.6 ┤ ★ YOLO26s 40.9 ┤ ★ YOLO26n └──┬────┬────┬────┬────┬────┬────┬──→ 速度 (T4 ms) 1.7 2.5 4.7 6.2 11.86. 部署导出Ultralytics 支持一键导出多种格式modelYOLO(yolo26n.pt)# 导出 ONNXmodel.export(formatonnx)# 导出 TensorRTGPU 部署首选model.export(formatengine)# 导出 Core MLiOS 部署model.export(formatcoreml)# 导出 TFLiteAndroid 部署model.export(formattflite)# 导出 OpenVINOIntel 推理model.export(formatopenvino)格式后缀适用场景ONNX.onnx通用跨平台推理TensorRT.engineNVIDIA GPU 极速推理Core ML.mlpackageiOS/macOS 部署TFLite.tfliteAndroid / 嵌入式OpenVINO.xmlIntel CPU/GPU/VPUNCNN.param移动端轻量推理GGUF.gguf量化部署7. 生态集成Ultralytics 与主流 AI 平台深度集成平台功能Weights Biases实验追踪、超参搜索、可视化Comet ML实验管理、模型对比Roboflow数据标注、数据集管理Intel OpenVINOIntel 硬件加速推理ClearMLMLOps 流水线Ultralytics HUB一站式训练、部署、管理Ultralytics HUBUltralytics HUB 是官方一站式平台️ 零代码训练模型 可视化训练监控 一键部署到边缘设备 数据集版本管理8. 许可证与商用Ultralytics 提供双许可证模式许可证适用说明AGPL-3.0学生、研究者、爱好者OSI 认证开源要求衍生作品同样开源Enterprise License企业商用允许闭源商业使用无需公开代码⚠️ 如果你的产品使用 Ultralytics YOLO 且不打算开源必须购买 Enterprise License。详见 Ultralytics Licensing。9. 优缺点与踩坑经验✅ 优点维度评分说明精度⭐⭐⭐⭐⭐YOLO26x 检测 mAP 57.5全任务 SOTA速度⭐⭐⭐⭐⭐YOLO26n T4 仅 1.7ms极致速度易用性⭐⭐⭐⭐⭐pip install 三行代码统一 API任务覆盖⭐⭐⭐⭐⭐6 大任务 跟踪一个框架全覆盖部署⭐⭐⭐⭐⭐一键导出 ONNX/TensorRT/TFLite/Core ML 等文档⭐⭐⭐⭐⭐官方文档 教程 示例非常完善社区⭐⭐⭐⭐⭐36K StarDiscord/Reddit/论坛活跃⚠️ 注意事项事项说明AGPL-3.0商用需购买 Enterprise License模型自动下载首次使用会自动从 GitHub Release 下载权重需联网显存需求YOLO26x 训练需较大显存建议 24GB数据集格式需使用 Ultralytics YAML 格式需从 COCO/VOC 转换跟踪稳定性复杂场景下跟踪 ID 可能跳变需调参10. 总结Ultralytics YOLO 是计算机视觉领域的事实标准——没有之一6 大任务全覆盖检测 / 分割 / 语义分割 / 分类 / 姿态 / 旋转框 跟踪⚡极致速度YOLO26n T4 推理 1.7ms嵌入式设备可用SOTA 精度YOLO26x 检测 mAP 57.5各任务均达顶尖水平️极简 APIpip install 三行代码统一接口换模型只需改一行一键部署ONNX / TensorRT / Core ML / TFLite / OpenVINO / NCNN生态丰富WB / Comet / Roboflow / HUB 深度集成推荐指数⭐⭐⭐⭐⭐无论你是 CV 初学者还是资深工程师Ultralytics YOLO 都是目前最值得掌握的视觉框架。从研究到生产从手机到服务器一套 API 打通全链路。 项目地址https://github.com/ultralytics/ultralytics 官方文档https://docs.ultralytics.com标签#YOLO #Ultralytics #目标检测 #深度学习 #计算机视觉 #YOLO26
