Ultralytics YOLO 实战指南安装 ultralytics 包、CLI 与 Python 双接口使用及 YOLO26 全任务模型选型【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralyticsUltralytics YOLO 是当前主流的一站式目标检测、分割、分类、姿态估计与跟踪框架本仓库提供从pip install ultralytics一行命令安装到 CLI/Python 两种接口跑通训练、验证、预测与模型导出的完整路径。读完本文你可以独立完成包安装与环境准备、用yolo命令或 Python API 完成模型全生命周期操作并依据各任务检测/分割/语义分割/深度/分类/姿态/OBB的真实基准数据完成 YOLO26 系列模型选型。1. 框架能力总览一个接口覆盖七大任务Ultralytics 的 YOLO 模型在目标检测、实例分割、语义分割、图像分类、姿态估计、定向边界框OBB与深度估计任务中提供统一接口并支持在视频帧间对检测到的目标进行跟踪。这一“一个类覆盖多任务”的设计可以从源码中得到印证YOLO类通过task_map属性将七种任务分别映射到对应的模型、训练器、验证器与预测器类见 ultralytics/models/yolo/model.pyproperty def task_map(self) - dict[str, dict[str, Any]]: Map head to model, trainer, validator, and predictor classes. return { classify: {model: ClassificationModel, trainer: yolo.classify.ClassificationTrainer, ...}, detect: {model: DetectionModel, trainer: yolo.detect.DetectionTrainer, ...}, segment: {model: SegmentationModel, ...}, pose: {model: PoseModel, ...}, obb: {model: OBBModel, ...}, depth: {model: DepthModel, ...}, semantic: {model: SemanticSegmentationModel, ...}, }同时CLI 层在 ultralytics/cfg/init.py 中定义了有效的任务与模式集合与上表一一对应MODES (train, val, predict, export, track, benchmark) TASKS (detect, segment, semantic, depth, classify, pose, obb)2. 安装 ultralytics 包2.1 环境要求根据 pyproject.toml 中的声明Python 3.8requires-python 3.8classifiers 覆盖 3.8–3.13PyTorch 1.8.0torch1.8.0Windows 平台显式排除 2.4.0核心依赖还包括numpy、opencv-python、pillow、pyyaml、requests、torchvision、psutil、polars、ultralytics-thop用于 FLOPs 计算等。2.2 四种安装方式方式一pip 安装推荐pip install ultralytics升级可用pip install -U ultralytics。也可以直接从 GitHub 安装开发版需要系统装有 Git 命令行工具pip install githttps://github.com/ultralytics/ultralytics.gitmain方式二Conda 安装conda install -c conda-forge ultralytics快速入门指南建议在 CUDA 环境下把ultralytics、pytorch、pytorch-cuda放在同一条命令中安装让 conda 自行解析依赖冲突conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda12.1 ultralytics方式三从源码克隆可编辑安装适合开发git clone https://github.com/ultralytics/ultralytics cd ultralytics pip install -e .pyproject.toml 开头注释明确说明pip install -e .可实时修改代码而无需重新安装。方式四Docker 运行仓库 docker/ 目录下提供多套官方镜像构建文件覆盖不同硬件场景Dockerfile用途DockerfileGPU 镜像推荐用于训练Dockerfile-cpu纯 CPU 环境适合推理Dockerfile-arm64ARM64 架构树莓派等Dockerfile-conda基于 Miniconda3Dockerfile-python仅含 Python 及必要依赖的轻量镜像Dockerfile-jetson-jetpack4 / 5 / 6NVIDIA Jetson 设备基本运行命令# 拉取并运行带 GPU 支持的容器 sudo docker pull ultralytics/ultralytics:latest sudo docker run -it --ipchost --device nvidia.com/gpuall ultralytics/ultralytics:latest注意来自 quickstart 文档--ipchost共享宿主机 IPC 命名空间以在进程间共享内存--device nvidia.com/gpuall通过 CDI 授予容器 GPU 访问权限Linux 上使用 CDI 需要 Docker 28.2.0 和 NVIDIA Container Toolkit 1.18。需要访问本地文件时用-v /host/path:/container/path挂载卷。无显示服务器场景云 VM、容器、CI/CD 等无显示环境可安装ultralytics-opencv-headless依赖opencv-python-headless替代opencv-python避免libGL缺失报错功能与标准包完全一致pip install ultralytics-opencv-headless2.3 可选依赖组extraspyproject.toml 定义了按需安装的可选依赖组模型导出部署时可据此选择export-base ONNX/OpenVINO 导出onnx、onnxruntime、openvino 等 export-tensorflow TensorFlow 系格式导出 export-coreml CoreMLmacOS/Linux export-litert LiteRT移动端 export 上述导出能力的聚合组 solutions 解决方案所需shapely、lap、streamlit、flask 等 logging wandb、tensorboard、mlflow 实验跟踪 extra albumentations 数据增强、faster-coco-eval 等3. CLI 使用yolo TASK MODE ARGSyolo命令是 pyproject.toml 中注册的入口脚本yolo ultralytics.cfg:entrypoint另有同义别名ultralytics。其语法为yolo TASK MODE ARGS # TASK (可选)detect | segment | semantic | depth | classify | pose | obb # MODE (必需)train | val | predict | export | track | benchmark # ARGS (可选)覆盖默认值的 argvalue 键值对如 imgsz640参数书写规范务必遵守参数必须是argvalue键值对以等号连接、空格分隔不要使用--前缀参数之间不要用逗号yolo predict modelyolo26n.pt imgsz640 conf0.25 # 正确 yolo predict model yolo26n.pt imgsz 640 # 错误缺少等号 yolo predict modelyolo26n.pt, imgsz640 # 错误使用逗号 yolo predict --model yolo26n.pt --imgsz 640 # 错误使用 -- 前缀3.1 常用模式示例预测README 官方示例使用预训练 YOLO26n 对图像推理yolo predict modelyolo26n.pt sourcehttps://ultralytics.com/images/bus.jpg训练在 COCO8 数据集上训练 10 个周期初始学习率 0.01yolo train datacoco8.yaml modelyolo26n.pt epochs10 lr00.01验证batch1、imgsz640 验证预训练检测模型yolo val modelyolo26n.pt datacoco8.yaml batch1 imgsz640导出将分类模型导出为 ONNX导出无需指定 TASKyolo export modelyolo26n-cls.pt formatonnx imgsz224,128其中 ultralytics/cfg/datasets/coco8.yaml 是内置的微型检测数据集配置COCO train2017 前 8 张图约 1MB含 80 个类别名train/val 各 4 张非常适合做训练链路验证。跟踪track模式与检测、分割、姿态和 OBB 模型兼容可对视频/流做跨帧跟踪基准测试benchmark模式对比不同部署格式的推理表现。完整参数可通过yolo cfg查看全部默认配置对应 ultralytics/cfg/default.yaml。3.2 解决方案与特殊命令yolo solutions提供面向场景的封装源码见 ultralytics/cfg/init.py 的SOLUTION_MAP与实现 ultralytics/solutions/# 区域计数 yolo solutions count sourcepath/to/video.mp4 region[(20, 400), (1080, 400), (1080, 360), (20, 360)] # 热力图 yolo solutions heatmap modelyolo26n.pt # 队列管理 yolo solutions queue sourcepath/to/video.mp4 # 健身动作监测姿态模型 yolo solutions workout modelyolo26n-pose.pt kpts[6, 8, 10]特殊维护命令yolo help # 查看帮助 yolo checks # 环境检查 yolo version # 版本号 yolo settings # 查看/修改全局设置如 runs_dir、tensorboard 开关 yolo cfg # 查看完整默认参数 yolo login API_KEY / yolo logout所有yolo solutions的入口命令由SOLUTION_MAP路由到 ultralytics/solutions/ 下对应类如count→ObjectCounter、heatmap→Heatmap、parking→ParkingManagement对应的 CLI 参数宏定义在 docs/macros/solutions-args.md。4. Python 接口使用4.1 标准工作流README 官方示例Ultralytics YOLO 可直接集成进 Python 项目接受与 CLI 相同的配置参数from ultralytics import YOLO # 加载一个预训练的 YOLO26n 模型 model YOLO(yolo26n.pt) # 在 COCO8 数据集上训练模型 100 个周期 train_results model.train( datacoco8.yaml, # 数据集配置文件路径 epochs100, # 训练周期数 imgsz640, # 训练图像尺寸 devicecpu, # 运行设备 (例如 cpu, 0, [0,1,2,3]) ) # 评估模型在验证集上的性能 metrics model.val() # 对图像执行目标检测 results model(path/to/image.jpg) # 对图像进行预测 results[0].show() # 显示结果 # 将模型导出为 ONNX 格式以进行部署 path model.export(formatonnx) # 返回导出模型的路径也可以用 YAML 配置从零创建模型如YOLO(yolo26n.yaml)对应 ultralytics/cfg/models/26/yolo26.yaml。model(...)调用走Model.__call__→predict调用链见 ultralytics/engine/model.py返回值是Results对象列表其show()方法定义于 ultralytics/engine/results.pytrain/val/predict/export/track/benchmark六个模式方法均在该基类中实现CLI 与 Python 共享同一套参数解析逻辑get_cfg因此两侧参数完全对等。4.2 YOLO 类的自动类型切换机制从源码结构看YOLO.__init__会根据模型文件名自动切换到专用子类文件名含-world时切换为YOLOWorld开放词汇检测含yoloe时切换为YOLOE加载后若检测到 RTDETR 头则切换为RTDETR实例。这意味着对用户而言始终from ultralytics import YOLO一个入口即可见 ultralytics/models/yolo/model.py 第 60–96 行。5. YOLO26 模型家族与性能指标YOLO26 提供 n/s/m/l/x 五种规模覆盖检测、实例分割、语义分割、深度估计、分类、姿态估计与 OBB 七大任务。所有模型在首次使用时自动下载如yolo26n.pt会按需拉取权重文件对应任务默认模型映射TASK2MODEL定义在 ultralytics/cfg/init.py。各任务预训练基准如下数据源自本仓库 README 官方发布值5.1 检测COCO80 类640px模型尺寸mAP 50-95mAP 50-95 (e2e)CPU ONNX 速度 (ms)T4 TensorRT10 速度 (ms)参数 (M)FLOPs (B)YOLO26n64040.940.138.9 ± 0.71.7 ± 0.02.45.4YOLO26s64048.647.887.2 ± 0.92.5 ± 0.09.520.7YOLO26m64053.152.5220.0 ± 1.44.7 ± 0.120.468.2YOLO26l64055.054.4286.2 ± 2.06.2 ± 0.224.886.4YOLO26x64057.556.9525.8 ± 4.011.8 ± 0.255.7193.9mAP 为 COCO val2017 单模型单尺度指标复现命令yolo val detect datacoco.yaml device0速度在 Amazon EC2 P4d 上对 COCO val 图像平均测得CPU 侧为 ONNX 导出GPU 侧为 TensorRT 导出复现命令yolo val detect datacoco.yaml batch1 device0|cpu。5.2 实例分割COCO-Seg80 类640px模型尺寸mAP box 50-95 (e2e)mAP mask 50-95 (e2e)CPU ONNX (ms)T4 TensorRT10 (ms)参数 (M)FLOPs (B)YOLO26n-seg64039.633.953.3 ± 0.52.1 ± 0.02.79.1YOLO26s-seg64047.340.0118.4 ± 0.93.3 ± 0.010.434.2YOLO26m-seg64052.544.1328.2 ± 2.46.7 ± 0.123.6121.5YOLO26l-seg64054.445.5387.0 ± 3.78.0 ± 0.128.0139.8YOLO26x-seg64056.547.0787.0 ± 6.816.4 ± 0.162.8313.5复现命令yolo val segment datacoco.yaml device0。5.3 语义分割Cityscapes19 类1024×2048模型尺寸mIoU valRTX3090 PyTorch 速度 (ms)参数 (M)FLOPs (B)YOLO26n-sem1024×204878.34.4 ± 0.01.622.7YOLO26s-sem1024×204880.88.4 ± 0.06.588.8YOLO26m-sem1024×204882.019.9 ± 0.114.3304.5YOLO26l-sem1024×204882.926.5 ± 0.117.9384.7YOLO26x-sem1024×204883.648.9 ± 0.240.2861.7复现命令yolo semantic val datacityscapes.yaml device0 imgsz2048注意任务名为semantic与segment区分。5.4 深度估计NYU Depth V2 Eigen 测试集768px模型尺寸delta1abs_relrmseCPU ONNX (ms)T4 TensorRT10 (ms)参数 (M)FLOPs (B)YOLO26n-depth7680.8820.1090.414272.0 ± 27.22.7 ± 0.16.446.9YOLO26s-depth7680.8960.1040.399393.7 ± 13.13.8 ± 0.013.267.9YOLO26m-depth7680.9210.0890.364621.5 ± 49.76.0 ± 0.123.3130.7YOLO26l-depth7680.9300.0830.351821.9 ± 50.77.7 ± 0.127.7157.2YOLO26x-depth7680.9330.0800.3441240.9 ± 73.313.6 ± 0.257.0302.0指标口径delta1 为多尺度 水平翻转 TTA、对数最小二乘对齐后预测深度落在真实深度 1.25 倍范围内的像素比例654 张图像abs_rel 为平均绝对相对误差rmse 单位为米。速度为纯推理延迟不含前后处理imgsz768、batch1预热后多次计时的均值 ± 标准差CPU 为 32 核 Intel Xeon (Skylake) 上 ONNX Runtime fp32GPU 为 Tesla T4 上 TensorRT fp16。不使用 TTA 的单尺度基线可通过yolo depth val modelyolo26n-depth.pt datanyu-depth.yaml imgsz768 device0复现delta1n 0.785、s 0.786、m 0.827、l 0.839、x 0.843。5.5 分类ImageNet1000 类224px模型尺寸acc top1acc top5CPU ONNX (ms)T4 TensorRT10 (ms)参数 (M)FLOPs (B) 224YOLO26n-cls22471.490.15.0 ± 0.31.1 ± 0.02.80.5YOLO26s-cls22476.092.97.9 ± 0.21.3 ± 0.06.71.6YOLO26m-cls22478.194.217.2 ± 0.42.0 ± 0.011.64.9YOLO26l-cls22479.094.623.2 ± 0.32.8 ± 0.014.16.2YOLO26x-cls22479.995.041.4 ± 0.93.8 ± 0.029.613.6复现命令yolo val classify datapath/to/ImageNet device0。5.6 姿态估计COCO-Poseperson 类640px模型尺寸mAP pose 50-95 (e2e)mAP pose 50 (e2e)CPU ONNX (ms)T4 TensorRT10 (ms)参数 (M)FLOPs (B)YOLO26n-pose64057.283.340.3 ± 0.51.8 ± 0.02.97.5YOLO26s-pose64063.086.685.3 ± 0.92.7 ± 0.010.423.9YOLO26m-pose64068.889.6218.0 ± 1.55.0 ± 0.121.573.1YOLO26l-pose64070.490.5275.4 ± 2.46.5 ± 0.125.991.3YOLO26x-pose64071.691.6565.4 ± 3.012.2 ± 0.257.6201.7复现命令yolo val pose datacoco-pose.yaml device0数据集配置见 ultralytics/cfg/datasets/coco-pose.yaml。5.7 定向边界框 OBBDOTAv115 类1024px模型尺寸mAP test 50-95 (e2e)mAP test 50 (e2e)CPU ONNX (ms)T4 TensorRT10 (ms)参数 (M)FLOPs (B)YOLO26n-obb102452.478.997.7 ± 0.92.8 ± 0.02.514.0YOLO26s-obb102454.880.9218.0 ± 1.44.9 ± 0.19.855.1YOLO26m-obb102455.381.0579.2 ± 3.810.2 ± 0.321.2183.3YOLO26l-obb102456.281.6735.6 ± 3.113.0 ± 0.225.6230.0YOLO26x-obb102456.781.71485.7 ± 11.530.5 ± 0.957.6516.5mAP 为 DOTAv1 测试集单模型多尺度指标复现yolo val obb dataDOTAv1.yaml device0 splittest配置见 ultralytics/cfg/datasets/DOTAv1.yaml速度复现yolo val obb dataDOTAv1.yaml batch1 device0|cpu。6. 模型规模的源码解读n/s/m/l/x 如何映射到网络五种规模不是五个独立网络而是同一 YAML 模板加复合缩放常量。ultralytics/cfg/models/26/yolo26.yaml 中定义nc: 80 end2end: True # 端到端模式推理期无需 NMS 后处理 reg_max: 1 # DFL bins scales: # [depth, width, max_channels] n: [0.50, 0.25, 1024] # 260 layers, 2.57M params, 6.1 GFLOPs s: [0.50, 0.50, 1024] # 260 layers, 10.0M params, 22.8 GFLOPs m: [0.50, 1.00, 512] # 280 layers, 21.9M params, 75.4 GFLOPs l: [1.00, 1.00, 512] # 392 layers, 26.3M params, 93.8 GFLOPs x: [1.00, 1.50, 512] # 392 layers, 59.0M params, 209.5 GFLOPs即modelyolo26m.yaml会在yolo26.yaml模板上按[depth0.50, width1.00, max_channels512]缩放层数、通道数与上限通道。从该配置看YOLO26 主干由Conv下采样 C3k2瓶颈块组成颈部含SPPF与C2PSA注意力模块头部在 P3/8、P4/16、P5/32 三个尺度输出Detect头。同目录还包含各任务变体配置yolo26-seg.yaml、yolo26-pose.yaml、yolo26-cls.yaml、yolo26-obb.yaml、yolo26-sem.yaml、yolo26-depth.yaml 等。注意模板内 GFLOPs 与 README 表格 FLOPs 统计口径不同模板注释按 640 输入的理论估算选型时以 README 表格发布的实测数值为准。7. 生态集成与许可证实验跟踪与平台集成框架内置 ultralytics/utils/callbacks/ 回调模块支持 ClearML、Comet ML、DVC、MLflow、Ray Tune、TensorBoard、Weights Biases 等通过yolo settings或 Python 的settings.update({...})即可开关。文档 docs/integrations/ 还覆盖 ONNX、TensorRT、OpenVINO、CoreML、Edge TPU、Jetson 等约 40 个部署与工具集成对应的导出后端实现位于 ultralytics/utils/export/ 与 ultralytics/nn/backends/。许可证见 LICENSEUltralytics 提供两种许可选项——AGPL-3.0OSI 批准的开源许可证适合学生、研究人员与爱好者鼓励开放协作与知识共享Ultralytics 企业许可证面向开发与生产用途允许将软件与模型集成到商业产品和服务中绕过 AGPL-3.0 的开源要求需通过官方渠道申请。8. 关键文件索引内容路径项目依赖与构建配置pyproject.tomlCLI 入口与 TASK/MODE/SOLUTIONS 定义ultralytics/cfg/init.py默认参数配置ultralytics/cfg/default.yamlYOLO 统一模型类ultralytics/models/yolo/model.pyModel 基类train/val/predict/export 等ultralytics/engine/model.py结果对象Results.show 等ultralytics/engine/results.pyYOLO26 架构模板ultralytics/cfg/models/26/yolo26.yaml数据集配置coco8/coco/coco-pose/DOTAv1 等ultralytics/cfg/datasets/交互式教程 Notebookexamples/tutorial.ipynb安装/CLI/Python 详细文档docs/en/quickstart.md、docs/en/usage/cli.md、docs/en/usage/python.md测试用例tests/test_cli.py、tests/test_python.py选型建议基于上表数据边缘/移动端优先选 n 级YOLO26n 检测仅 2.4M 参数、CPU ONNX 约 39ms通用场景 s/m 级在精度与速度间最均衡如 YOLO26s 检测 T4 TensorRT 约 2.5ms追求极限精度选 x 级YOLO26x 检测 mAP 57.5。语义分割、深度估计与 OBB 任务输入分辨率更高1024/768/1024选型时优先参考对应表格中的实测速度列。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考