摘要
一句话总结 Ultralytics YOLO 是一个基于 Python 的开源计算机视觉框架，提供从 YOLOv3 到最新 YOLO26 的先进模型，支持目标检测、图像分割、姿态估计、目标跟踪和图像分类等多种任务。
关键信息
- 项目规模与协议：该项目在 GitHub 拥有超 5.3 万 Stars，采用 GNU AGPL v3.0 开源协议（商业用途需额外申请企业许可）。
- 核心功能：全面支持目标检测（Detection）、目标跟踪（Tracking）、实例分割（Instance Segmentation）、图像分类（Image Classification）和姿态估计（Pose Estimation）。
- 模型系列：支持从早期的 YOLOv3 到最新的 YOLO26 系列模型，且在首次使用时会自动从最新发布版中下载预训练模型。
- 预训练数据：检测、分割和姿态模型基于 COCO 数据集（80 个类别）进行预训练；分类模型基于 ImageNet 数据集（1000 个类别）进行预训练。
- 环境依赖：要求运行环境为 Python >= 3.8 且 PyTorch >= 1.8，支持通过 pip、Conda、Docker 或 Git 源码等多种方式安装。
- 使用接口：提供开箱即用的命令行工具（CLI，如
yolo predict）和 Python API，支持模型的训练、验证、推理以及格式导出（如导出为 ONNX 格式）。 - 性能评估：官方提供了 YOLO26 各规模版本（n/s/m/l/x）的详细性能指标，包括参数量（2.4M 至 62.8M 不等）、计算量（FLOPs）、mAP 精度，以及在 CPU (ONNX) 和 GPU (T4 TensorRT10) 上的具体推理耗时。
功能与定位
Ultralytics YOLO 🚀
典型使用场景
- 用于模型训练、微调、推理或文档解析等基础能力建设。
- 作为上层 AI 应用的数据与模型基础设施。
核心功能
- 提供模型/推理相关核心能力。
- 支持与主流 AI 工具链协同。
- 兼顾实验验证与工程落地场景。
特色与差异点
- 仓库长期活跃，最近更新时间为 2026-02-22T12:18:26Z。
- 项目创建于 2022-09-11T16:39:45Z，具备持续迭代与社区沉淀。
- 以
Python为主语言，聚焦该技术栈的工程实践。
使用方式概览
- 阅读仓库 README 与官方文档，确认适配场景与依赖条件。
- 按项目推荐方式完成安装与初始化，再从示例或最小流程开始验证。
- 在生产使用前补齐权限控制、日志监控和版本固定策略。
限制与注意事项
- 使用前应先核对许可证、项目维护状态与安全边界。
链接
- 仓库：https://github.com/ultralytics/ultralytics
- 官网：https://docs.ultralytics.com
- README：https://raw.githubusercontent.com/ultralytics/ultralytics/main/README.md
- Releases：https://github.com/ultralytics/ultralytics/releases