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 1.7ms，YOLO26x 检测 mAP 57.5------又快又准的新王者！

📌 目录

• [1. Ultralytics YOLO 是什么？](#1. Ultralytics YOLO 是什么？)
• [2. YOLO26 全系模型性能](#2. YOLO26 全系模型性能)
• [3. 三行代码跑起来](#3. 三行代码跑起来)
• [4. 6 大任务详解](#4. 6 大任务详解)
• [5. 模型选型指南](#5. 模型选型指南)
• [6. 部署导出](#6. 部署导出)
• [7. 生态集成](#7. 生态集成)
• [8. 许可证与商用](#8. 许可证与商用)
• [9. 优缺点与踩坑经验](#9. 优缺点与踩坑经验)
• [10. 总结](#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 Star：36K+
• 📜 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 50-95	mAP 50-95 (e2e)	CPU ONNX (ms)	T4 TensorRT (ms)	参数量 (M)	FLOPs (B)
YOLO26n	40.9	40.1	38.9	1.7 ⚡	2.4	5.4
YOLO26s	48.6	47.8	87.2	2.5	9.5	20.7
YOLO26m	53.1	52.5	220.0	4.7	20.4	68.2
YOLO26l	55.0	54.4	286.2	6.2	24.8	86.4
YOLO26x	57.5 🏆	56.9	525.8	11.8	55.7	193.9

💡 YOLO26n 仅 2.4M 参数，T4 推理 1.7ms ，嵌入式设备首选！

💡 YOLO26x mAP 57.5，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-seg	39.6	33.9	2.1	2.7
YOLO26s-seg	47.3	40.0	3.3	10.4
YOLO26m-seg	52.5	44.1	6.7	23.6
YOLO26l-seg	54.4	45.5	8.0	28.0
YOLO26x-seg	56.5	47.0	16.4	62.8

🎨 语义分割（Cityscapes）

模型	mIoU	RTX3090 速度 (ms)	参数量 (M)
YOLO26n-sem	78.3	4.4	1.6
YOLO26s-sem	80.8	8.4	6.5
YOLO26m-sem	82.0	19.9	14.3
YOLO26l-sem	82.9	26.5	17.9
YOLO26x-sem	83.6	48.9	40.2

📊 图像分类（ImageNet）

模型	Top-1 Acc	Top-5 Acc	T4 TensorRT (ms)	参数量 (M)
YOLO26n-cls	71.4	90.1	1.1	2.8
YOLO26s-cls	76.0	92.9	1.3	6.7
YOLO26m-cls	78.1	94.2	2.0	11.6
YOLO26l-cls	79.0	94.6	2.8	14.1
YOLO26x-cls	79.9	95.0	3.8	29.6

🧘 姿态估计（COCO-Pose）

模型	mAP-pose (e2e)	mAP-pose50 (e2e)	T4 TensorRT (ms)	参数量 (M)
YOLO26n-pose	57.2	83.3	1.8	2.9
YOLO26s-pose	63.0	86.6	2.7	10.4
YOLO26m-pose	68.8	89.6	5.0	21.5
YOLO26l-pose	70.4	90.5	6.5	25.9
YOLO26x-pose	71.6	91.6	12.2	57.6

🔄 旋转框检测（DOTAv1）

模型	mAP 50-95 (e2e)	mAP 50 (e2e)	T4 TensorRT (ms)	参数量 (M)
YOLO26n-obb	52.4	78.9	2.8	2.5
YOLO26s-obb	54.8	80.9	4.9	9.8
YOLO26m-obb	55.3	81.0	10.2	21.2
YOLO26l-obb	56.2	81.6	13.0	25.6
YOLO26x-obb	56.7	81.7	30.5	57.6

---

3. 三行代码跑起来

安装

pip install ultralytics

其他安装方式：

# Conda
conda install -c conda-forge ultralytics

# Docker
docker pull ultralytics/ultralytics

# 从源码
git clone https://github.com/ultralytics/ultralytics
pip install -e ultralytics

CLI 使用

# 目标检测
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

# 训练
yolo train model=yolo26n.pt data=coco8.yaml epochs=100 imgsz=640

# 验证
yolo val model=yolo26n.pt data=coco.yaml

Python 使用

from ultralytics import YOLO

# 1. 加载模型
model = YOLO("yolo26n.pt")

# 2. 训练
model.train(data="coco8.yaml", epochs=100, imgsz=640, device="cpu")

# 3. 验证
metrics = model.val()

# 4. 推理
results = model("path/to/image.jpg")
results[0].show()

# 5. 导出
path = model.export(format="onnx")

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。

model = YOLO("yolo26n.pt")
results = model("bus.jpg")

for result in results:
    boxes = result.boxes
    for box in boxes:
        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。

model = YOLO("yolo26n-seg.pt")
results = model("bus.jpg")

for result in results:
    masks = result.masks  # 掩码
    boxes = result.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。

model = YOLO("yolo26n-sem.pt")
results = model("cityscape.jpg")

for result in results:
    probs = result.probs  # 语义概率图

📊 图像分类

整图分类，输出类别概率分布。

model = YOLO("yolo26n-cls.pt")
results = model("cat.jpg")

for result in results:
    top5 = result.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。

model = YOLO("yolo26n-pose.pt")
results = model("person.jpg")

for result in results:
    keypoints = result.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。

model = YOLO("yolo26n-obb.pt")
results = model("satellite.jpg")

for result in results:
    obb = result.obb  # 旋转框
    for b in obb:
        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。

model = YOLO("yolo26n.pt")
results = model.track(source="video.mp4", show=True)

---

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	YOLO26n	2.4M 参数，1.7ms 推理
🚀 实时服务	YOLO26s	精度-速度最佳平衡
⚖️ 通用场景	YOLO26m	53.1 mAP，4.7ms，性能够用
🔬 高精度需求	YOLO26l	55.0 mAP，工业级精度
🏆 极致精度	YOLO26x	57.5 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	-seg	yolo26n-seg.pt
语义分割	-sem	yolo26n-sem.pt
图像分类	-cls	yolo26n-cls.pt
姿态估计	-pose	yolo26n-pose.pt
旋转框检测	-obb	yolo26n-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  11.8

---

6. 部署导出

Ultralytics 支持一键导出多种格式：

model = YOLO("yolo26n.pt")

# 导出 ONNX
model.export(format="onnx")

# 导出 TensorRT（GPU 部署首选）
model.export(format="engine")

# 导出 Core ML（iOS 部署）
model.export(format="coreml")

# 导出 TFLite（Android 部署）
model.export(format="tflite")

# 导出 OpenVINO（Intel 推理）
model.export(format="openvino")

格式	后缀	适用场景
ONNX	.onnx	通用跨平台推理
TensorRT	.engine	NVIDIA GPU 极速推理
Core ML	.mlpackage	iOS/macOS 部署
TFLite	.tflite	Android / 嵌入式
OpenVINO	.xml	Intel CPU/GPU/VPU
NCNN	.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 OpenVINO	Intel 硬件加速推理
ClearML	MLOps 流水线
Ultralytics HUB	一站式训练、部署、管理

Ultralytics HUB

Ultralytics 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+ Star，Discord/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 API ：pip 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：W&B / 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