入门
基于 Ultralytics 官方文档（docs.ultralytics.com：Quickstart / Install / Predict / YOLO11 / YOLO26）+ GitHub Releases（v8.4.x）编写，对照 2026-07 最新行为
速查
- 安装：
pip install ultralytics（含 PyTorch、OpenCV 等依赖） - CLI：
yolo predict model=yolo11n.pt source='img.jpg'；yolo train data=coco8.yaml ... - Python 入口：
from ultralytics import YOLO；model = YOLO("yolo11n.pt") - 五大模式：
model.train()/model.predict()/model.val()/model.export()/model.track() - 任务后缀：Detect
yolo11n.pt、Segment-seg、Pose-pose、Classify-cls、OBB-obb - 模型档位：n(nano) / s(small) / m(medium) / l(large) / x(extra)，精度与算力递增
- 数据集：默认 COCO 格式（YOLO txt 标注）；内置
coco8.yaml小数据集便于练手 - 默认图像尺寸：
imgsz=640（检测/分割/姿态/OBB）；分类224 - 结果对象：
results[0].boxes（检测）/.masks（分割）/.keypoints（姿态）/.probs（分类） - 导出：
model.export(format="onnx")；GPU 用engine(TensorRT)、CPU 用openvino - 最新代：YOLO26（2025-09，原生 NMS-free 端到端）
安装
bash
# 标准（含 PyTorch CUDA 依赖，体积较大）
pip install ultralytics
# 仅 CPU（更轻）
pip install ultralytics --extra-index-url https://download.pytorch.org/whl/cpu
# 升级到最新
pip install -U ultralytics验证安装：
python
import ultralytics
ultralytics.checks() # 打印版本、PyTorch、CUDA、依赖兼容性
# 或命令行：yolo version / yolo checks三行推理
最快上手路径——下载权重、读图、推理：
python
from ultralytics import YOLO
# 1. 加载模型（首次会自动下载到本地缓存）
model = YOLO("yolo11n.pt") # 检测；分割用 yolov8n-seg.pt，姿态用 yolov8n-pose.pt
# 2. 推理（接受 路径 / ndarray / URL / 目录 / 视频 / 摄像头索引）
results = model("bus.jpg") # 等价 model.predict("bus.jpg")
# 3. 查看结果
for r in results:
print(r.boxes.xyxy) # 检测框 [x1,y1,x2,y2]
print(r.boxes.conf) # 置信度
print(r.boxes.cls) # 类别 id
r.show() # 弹窗显示
r.save("out.jpg") # 保存带标注图CLI 等价：
bash
yolo predict model=yolo11n.pt source='bus.jpg' save=True模型档位与任务
同一代模型按参数量分 5 档（n/s/m/l/x），按任务分 5 类（后缀不同）。以 YOLO11 检测在 COCO 上的官方指标为例（imgsz=640，T4 TensorRT10）：
| 模型 | mAP50-95 | 参数 | FLOPs | T4 速度 |
|---|---|---|---|---|
| YOLO11n | 39.5 | 2.6M | 6.5B | 1.5ms |
| YOLO11s | 47.0 | 9.4M | 21.5B | 2.5ms |
| YOLO11m | 51.5 | 20.1M | 68.0B | 4.7ms |
| YOLO11l | 53.4 | 25.3M | 86.9B | 6.2ms |
| YOLO11x | 54.7 | 56.9M | 194.9B | 11.3ms |
任务后缀对应权重命名：
| 任务 | 权重示例 | 结果字段 |
|---|---|---|
| 检测 Detect | yolo11n.pt | r.boxes |
| 实例分割 Segment | yolo11n-seg.pt | r.boxes + r.masks |
| 姿态 Pose | yolo11n-pose.pt | r.boxes + r.keypoints |
| 分类 Classify | yolo11n-cls.pt | r.probs |
| OBB 旋转框 | yolo11n-obb.pt | r.obb |
第一个训练
内置 coco8.yaml（COCO 的 8 张图小数据集）用于跑通流程：
python
from ultralytics import YOLO
model = YOLO("yolo11n.pt") # 加载预训练权重（迁移学习）
results = model.train(
data="coco8.yaml", # 数据集配置
epochs=100, # 训练轮数
imgsz=640, # 输入尺寸
batch=16, # 批大小
device=0, # GPU 索引；CPU 用 "cpu"
workers=8, # 数据加载进程
project="runs/train", # 输出目录
name="exp1", # 实验名
)训练产物保存在 runs/train/exp1/：weights/best.pt（最佳）、weights/last.pt（最新）、results.png（曲线）、confusion_matrix.png 等。
CLI 等价：
bash
yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640 batch=16 device=0数据集格式
YOLO 检测标注为每图一个 .txt，每行 class x_center y_center width height（均归一化到 0–1）：
0 0.512 0.430 0.235 0.476
2 0.318 0.618 0.108 0.244数据集 .yaml 配置：
yaml
# mydata.yaml
path: /datasets/mydata # 根目录
train: images/train # 训练图相对路径
val: images/val
names:
0: person
1: bicycle
2: car分割标注每行多了多边形点：
class x1 y1 x2 y2 ...；姿态标注额外含关键点。
下一步
- 训练参数详解（lr0、optimizer、augment、mosaic）见「指南」
- 导出部署（ONNX/TensorRT/CoreML）见「指南 → 导出」
- 架构原理（anchor-free、解耦头、YOLO26 双头）见「指南 → 架构」
- 完整 API 速查见「参考」