参考
基于 Ultralytics 官方文档（Python API / CLI / Tasks / Modes）+ GitHub Releases（v8.4.x）整理
速查
- 入口：
from ultralytics import YOLO；YOLO("xxx.pt")/YOLO("xxx.yaml")/YOLO("xxx.onnx") - 五大模式：
train/predict/val/export/track（+benchmark） - 五大任务：detect / segment / pose / classify / obb
- 模型代：YOLOv8 / YOLO11 / YOLO12 / YOLO26（最新主推）
- 档位：n / s / m / l / x（参数递增）
- CLI：
yolo TASK MODE ARGS，如yolo detect predict model=yolo11n.pt source=img.jpg - 结果对象：
Results含.boxes/.masks/.keypoints/.probs/.obb - 默认尺寸：检测/分割/姿态/OBB
imgsz=640；分类224 - 包版本：
ultralytics最新 8.4.108（2026-07） - 依赖：Python ≥ 3.8；PyTorch ≥ 1.8；OpenCV、PIL、pandas、matplotlib
YOLO 类 API
python
from ultralytics import YOLO, RTDETR, SAM, YOLOWorld
# 加载（按扩展名自动判断）
model = YOLO("yolo11n.pt") # PyTorch 权重
model = YOLO("yolo11n.yaml") # 从配置建空模型（从零训练）
model = YOLO("best.onnx") # 加载导出格式
model = YOLO("best.engine") # TensorRT
# 五大模式
model.train(data="coco.yaml", epochs=100)
results = model.predict("img.jpg", conf=0.25)
metrics = model.val(data="coco.yaml") # 评估
path = model.export(format="onnx") # 导出
results = model.track(source="v.mp4") # 跟踪
# 信息查询
model.info() # 打印层结构、参数量
model.names # 类别字典 {0: 'person', ...}
model.model # 底层 nn.ModulePredict 参数
python
model.predict(
source="img.jpg", # 路径/ndarray/URL/目录/视频/摄像头索引/RTSP
conf=0.25, # 置信度阈值
iou=0.7, # NMS IoU 阈值
imgsz=640, # 推理尺寸
half=False, # FP16
device=None, # 0 / "cpu" / [0,1]
max_det=300, # 每图最大检测数
classes=None, # [0,2] 过滤类别
agnostic_nms=False, # 类别无关 NMS
stream=False, # True 返回生成器（省内存）
verbose=True, # 打印日志
save=False, # 保存结果图
save_txt=False, # 保存标注 txt
save_conf=False, # 标注含置信度
project="runs/predict",
name="exp",
exist_ok=False,
end2end=True, # YOLO26 端到端（无 NMS）
)Results 对象
python
results = model("img.jpg")
r = results[0] # 单图取第一个
# 检测
r.boxes.xyxy # (N,4) tensor [x1,y1,x2,y2]
r.boxes.xywh # (N,4) [x,y,w,h]
r.boxes.conf # (N,) 置信度
r.boxes.cls # (N,) 类别 id
r.boxes.id # (N,) 跟踪 id（track 模式）
r.boxes.data # (N,6) 拼接 [xyxy, conf, cls]
# 分割
r.masks.data # (N,H,W) 二值掩码
r.masks.xy # list of 多边形点
r.masks.xyn # 归一化多边形
# 姿态
r.keypoints.xy # (N,17,2) 关键点坐标
r.keypoints.conf # (N,17) 关键点置信度
# 分类
r.probs # Probs 对象
r.probs.top1 # top1 类别 id
r.probs.top1conf # top1 置信度
r.probs.data # (num_classes,) 全概率
# OBB
r.obb.xywhr # (N,5) [x,y,w,h,angle]
r.obb.conf # (N,)
r.obb.cls # (N,)
# 元数据
r.orig_img # 原始 ndarray
r.path # 源路径
r.speed # {'preprocess':, 'inference':, 'postprocess':} ms
# 输出
r.show() # 弹窗
r.save("out.jpg") # 保存
r.tojson("out.json") # COCO JSONTrain 参数（关键子集）
python
model.train(
data="coco.yaml",
epochs=100,
time=None, # 时间预算（与 epochs 二选一），如 "1.5h"
patience=100, # 早停耐心
batch=16, # 或 -1 自动
imgsz=640,
save=True, # 保存权重
save_period=-1, # 每 N 轮存一次 checkpoint
cache=False, # 'ram'/'disk' 缓存数据集
device=0,
workers=8,
project="runs/train",
name="exp",
exist_ok=False,
pretrained=True,
optimizer="auto", # auto/SGD/AdamW/Adam/NAdam/RAdam/RMSProp
verbose=True,
seed=0,
deterministic=True,
single_cls=False,
rect=False, # 矩形训练
cos_lr=False, # 余弦学习率
close_mosaic=10, # 最后 10 轮关 mosaic
resume=False,
amp=True, # 自动混合精度
# 优化器超参
lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005,
warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1,
# 损失权重
box=7.5, cls=0.5, dfl=1.5,
label_smoothing=0.0,
# 数据增强
hsv_h=0.015, hsv_s=0.7, hsv_v=0.4,
degrees=0.0, translate=0.1, scale=0.5, shear=0.0,
perspective=0.0, flipud=0.0, fliplr=0.5,
mosaic=1.0, mixup=0.0, copy_paste=0.0,
)Export 参数
python
model.export(
format="onnx", # torchscript/onnx/openvino/engine/coreml/tflite/ncnn/...
imgsz=640,
half=False, # FP16
int8=False, # INT8 量化
dynamic=False, # 动态输入尺寸
simplify=True, # ONNX simplify
opset=12, # ONNX opset 版本
workspace=4, # TensorRT workspace GB
nms=False, # 导出含 NMS
batch=1,
device=None,
end2end=True, # YOLO26 端到端
)支持的全部格式（按 docs.ultralytics.com/modes/export）：
| format | 后缀 | 平台 |
|---|---|---|
| torchscript | .torchscript | PyTorch |
| onnx | .onnx | 通用 |
| openvino | _openvino_model/ | Intel |
| engine | .engine | NVIDIA |
| coreml | .mlpackage | Apple |
| tflite | _tflite_model/ | 移动/Edge TPU |
| ncnn | _ncnn_model/ | 移动 Vulkan |
| pb / saved_model | _saved_model/ | TensorFlow |
| paddle | _paddle_model/ | PaddlePaddle |
| mnn | .mnn | 阿里 MNN |
| rknn | .rknn | Rockchip |
| qnn | .qnn | Qualcomm |
CLI 速查
bash
# 训练
yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640
# 推理
yolo predict model=yolo11n.pt source='img.jpg' conf=0.25 save=True
# 评估
yolo val model=yolo11n.pt data=coco.yaml
# 导出
yolo export model=yolo11n.pt format=onnx
# 跟踪
yolo track model=yolo11n.pt source='video.mp4' tracker=botsort.yaml
# 分割/姿态/分类（自动从权重判断任务）
yolo segment predict model=yolo11n-seg.pt source='img.jpg'
yolo pose predict model=yolo11n-pose.pt source='img.jpg'
yolo classify predict model=yolo11n-cls.pt source='img.jpg'模型代速查
| 代 | 发布 | 关键创新 | 状态 |
|---|---|---|---|
| YOLOv5 | 2020 | 工程、CLI、易用 | 维护 |
| YOLOv8 | 2023-01 | anchor-free、解耦头、多任务统一 | 主流 |
| YOLOv9/v10 | 2024 | PGI、NMS-free（外部） | 有限支持 |
| YOLO11 | 2024-09 | 更少参数更高精度（C3k2、C2PSA） | 主流 |
| YOLO12 | 2025 | 区域注意力 A2 | 维护 |
| YOLO26 | 2025-09 | 原生端到端 NMS-free、双头、MuSGD | 最新主推 |
Ultralytics 还托管外部模型：RT-DETR（百度）、SAM/SAM2/SAM3（Meta）、YOLO-NAS（Deci）、YOLO-World（腾讯）、YOLOE（开放词表）。