Ultralytics YOLO 文档全览与实战上手从 YOLO26 实时视觉模型到 yolo TASK MODE ARGS 统一工作流【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本篇技术指南以docs/en/index.mdUltralytics YOLO 文档首页为骨架系统梳理 Ultralytics YOLO 在检测、分割、深度估计、分类、姿态估计等视觉任务上的模型家族与能力边界并结合当前仓库源码ultralytics/cfg、ultralytics/engine、pyproject.toml等深入剖析其统一命令语法yolo [TASK] MODE ARGS、Task/Mode/Args 三类核心概念、目标跟踪默认配置与许可证体系。读完你将能够在两条命令内完成首次预测并按训练、推理、跟踪、部署、选型等目标快速定位到对应的模式、文档与源码位置建立起贯穿「文档导航 — 命令行 — 源码实现」的完整使用脉络。一、Ultralytics YOLO 是什么一套模型家族 一个 Python 包 一条 CLIUltralytics YOLO 是一族实时计算机视觉模型覆盖目标检测object detection、实例分割instance segmentation、语义分割semantic segmentation、深度估计depth estimation、图像分类classification、姿态估计pose estimation、旋转框检测oriented bounding boxesOBB与目标跟踪tracking全部通过一个 Python 包与一套 CLI对外提供可参考 入口说明。项目核心版本信息可在 ultralytics/init.py 中看到__version__ 8.4.138。YOLO26是该家族当前的最新系列基于深度学习的持续演进原生支持端到端、无需 NMSnon-maximum suppression后处理的推理路径并对边缘部署做了针对性优化其轻量化结构使其既能在边缘设备上运行也能服务云端 API对于需要稳定生产级工作负载的场景官方推荐在 YOLO26 与 YOLO11 两者间选择。在仓库源码中任务与模式的合法取值被集中定义于 ultralytics/cfg/init.pyMODES (train, val, predict, export, track, benchmark) TASKS (detect, segment, semantic, depth, classify, pose, obb)可见当前文档首页描述的能力与代码中登记的枚举完全一致——模型是否支持某个任务可以直接通过 TASKS 元组校验。二、两个命令快速上手安装与首次预测文档首页给出了整个生态最精简的入口两步即可完成环境搭建与一次真实推理详见 Quickstart 指南# 1. 从 PyPI 安装 ultralytics 包 pip install ultralytics # 2. 用预训练 YOLO26n 模型对一张图片做目标检测 yolo predict modelyolo26n.pt sourcepath/to/bus.jpg自动下载与结果落盘执行第二条命令时模型权重与示例图片会自动下载推理完成后标注结果会被保存到runs/detect/predict目录。这一约定贯穿整个工具链所有模式train/val/predict 等的输出默认都以runs/task/mode的形式组织。CLI 入口的底层实现yolo这条命令并非独立可执行文件而是通过包元数据注册的 console 脚本。在 pyproject.toml 中可以找到[project.scripts] ultralytics ultralytics.cfg:entrypoint也就是说yolo命令实际调用的是ultralytics.cfg模块的entrypoint函数它会完成参数解析、Task/Mode 校验与默认值填充再分发给对应任务的执行类。理解这一点后无论你用的是yolo predict、yolo train还是 Python API底层走的都是同一套参数解析逻辑cfg/init.py 中的CLI_HELP_MSG对全部语法与示例做了完整说明。三、统一命令语法yolo [TASK] MODE ARGS文档组织与代码实现高度一致地围绕一条统一语法展开yolo TASK MODE ARGS其中TASK可省略回答「你想从图像中得到什么」MODE必需回答「你打算如何使用模型」ARGS可选任意数量的argvalue键值对用于覆盖默认配置。该语法的合法性约束与帮助文案由 ultralytics/cfg/init.py 中的CLI_HELP_MSG定义例如# 1. 训练检测模型 10 个 epoch初始学习率 0.01 yolo train datacoco8.yaml modelyolo26n.pt epochs10 lr00.01 # 2. 用预训练分割模型以 320 分辨率推理一段视频 yolo predict modelyolo26n-seg.pt sourcepath/to/video.mp4 imgsz320 # 3. 验证预训练检测模型 yolo val modelyolo26n.pt datacoco8.yaml batch1 imgsz640 # 4. 将 YOLO26n 分类模型导出为 ONNX无需写 TASK yolo export modelyolo26n-cls.pt formatonnx imgsz224,128Task任务决定「看到什么」文档首页与任务导航页把支持的任务归纳为七类对应 tasks 文档任务输出对应文档仓库默认数据集 YAMLdetect 检测边界框detectcoco8.yamlsegment 实例分割逐实例掩码segmentcoco8-seg.yamlsemantic 语义分割逐像素类别semanticcityscapes8.yamldepth 深度估计逐像素距离米depthdepth8.yamlclassify 分类类别概率classifyimagenet10pose 姿态估计关键点posecoco8-pose.yamlobb 旋转框旋转边界框obbdota8.yaml上表「默认数据集」列与源码中的TASK2DATA映射一一对应ultralytics/cfg/init.py当你省略data时系统会按任务自动补全其默认验证/训练数据例如语义分割缺省使用cityscapes8.yaml、深度估计缺省使用depth8.yaml。Mode模式决定「怎么使用模型」六种模式在文档中各有专页train 训练、val 验证、predict 预测、export 导出、track 跟踪、benchmark 基准测试。它们与MODES枚举顺序一致且都作为方法暴露在 Python 主类上例如 ultralytics/engine/model.py 中定义了predict、track、val、benchmark、export、train、tune等完整方法集合。Args命令配置中心Args层决定了模型的运行细节。默认配置集中于 ultralytics/cfg/default.yaml其中关键两项为task: detect # 默认任务 mode: train # 默认模式以及跟踪器默认值tracker: tracktrack.yaml # 默认跟踪器配置全部可配置参数的说明参见 Args 文档。常用的model选择模型架构从 YOLO26、YOLO11 到 SAM 3、RT-DETR 等以及epochs、imgsz等超参数均在此层生效。四、按目标选路径八类典型使用场景文档首页以「What Do You Want to Do?」卡片的形式把文档导航重组为八种开发目标每条都指向可直接执行的实战章节用自己的数据集训练模型对预训练 YOLO26 微调可调整增强策略与超参数、支持多 GPU 训练 → Train a custom model。对图像或视频运行模型几行 Python 或单条 CLI 命令即可拿到边界框、掩码或关键点 → Predict on new data。跨视频帧跟踪对象使用带持久 ID 的多目标跟踪内置TrackTrack默认、BoT-SORT、ByteTrack、OC-SORT、Deep OC-SORT、FastTracker等跟踪器 → Multi-object tracking。直接运行现成视觉应用物体计数、热力图、队列管理、安防告警、健身动作监测等无需训练→ Explore Solutions。部署模型导出到 ONNX、TensorRT、OpenVINO 等格式用于边缘设备、移动端与云服务器上的快速推理 → Export and deploy。挑选合适模型对比 YOLO26、YOLO11、SAM 3、RT-DETR 等所有受支持架构的速度、精度与适用场景 → Browse all models。查询 Python API查看自动从源码生成、随版本更新的类与方法签名 → API Reference。了解最新 YOLO26Ultralytics 最新模型家族以免 NMS 的端到端推理带来相比 YOLO11 更优的精度-延迟权衡 → Meet YOLO26。认识新模型 YOLO26关于第 8 点的细节YOLO26 文档 给出其四大设计要点原生端到端推理默认的一对一检测头直接产出预测无需 NMS降低后处理复杂度简化部署更轻的回归头移除 Distribution Focal LossDFL在不损失回归范围的前提下降低检测头复杂度训练配方更新组合MuSGDMuon SGD 混合优化器、Progressive Loss与STALSmall-Target-Aware Label Assignment小目标感知标签分配完整超参数记录在 YOLO26 Training Recipe 指南任务专属头与损失为实例分割、语义分割变体、姿态估计、旋转框检测提供专门设计同时保持全任务共享同一套模型管线。仓库中 YOLO26 的每种任务头配置都以 YAML 形式保存在 ultralytics/cfg/models/26 目录下如yolo26.yaml、yolo26-seg.yaml、yolo26-sem.yaml、yolo26-depth.yaml、yolo26-pose.yaml、yolo26-obb.yaml、yolo26-cls.yaml以及yoloe-26.yaml开放词汇变体这正是「一个家族、多任务头」架构的落地证据。五、文档如何组织与命令语法一一对应Ultralytics 文档的目录结构刻意与命令语法保持同构方便读者「按语法找文档」Task回答「从图像中得到什么」——detect、segment、semantic、depth、classify、pose、obbMode回答「怎么用模型」——train、val、predict、export、track、benchmarkArgs配置命令——从model到epochs、imgsz等超参数Solutions语法上的「捷径」——跳过 Task 与 Mode直接得到完整应用如物体计数、安防告警。其余栏目则是对这一语法的支撑Models列出可传给model的全部架构——YOLO26、YOLO11、SAM 3、RT-DETR 等Datasets各 Task 训练所用数据集目标检测的 COCO/VOC、姿态的 COCO-Pose、旋转框的 DOTA、深度的多套深度数据集等Guides横跨硬件部署、超参数调优、数据集格式转换与完整项目实战的深度教程合集Integrations将训练/推理流水线接入主流训练与部署工具ReferencePython API 全部类与函数的逐条文档。同一模型的两个外围产品在 Python 包之外还有两个基于同一套模型运行的产品化表面Ultralytics Platform云端标注、训练与部署平台把同一模型的算力以 SaaS 形式提供Ultralytics Inference独立于 Python 的Rust 库与 CLI用于在无 Python 运行时环境下执行已导出的模型。六、任务家族在仓库中的落点模型 YAML 与数据集配置若希望深入源码理解「模型 任务 数据」如何被组织可以直接对照仓库中的配置目录模型结构 YAMLultralytics/cfg/models/下按版本分子目录26/、11/、v8/、rt-detr/、v10/等每种任务的 yaml 命名即代表可用的模型标识符。例如深度估计任务对应的头结构见yolo26-depth.yaml而检测默认模型由TASK2MODEL中的detect: yolo26n.pt指定ultralytics/cfg/init.py数据集配置 YAMLultralytics/cfg/datasets/下存放全部内置数据集描述例如coco.yaml、coco8-seg.yaml、cityscapes8.yaml、depth8.yaml、dota8.yaml等。自定义数据集只需仿照这些文件编写一个描述路径与类别的 dataset YAML即可被data直接引用。从结构上可以推断新增一种「模型变体」等于新增一份任务 YAML 对应权重新增一个「数据集」等于新增一份 dataset YAML这一约定让社区复用与二次开发都保持了较低门槛。七、目标跟踪的默认配置与可选跟踪器文档首页明确提到跟踪功能支持TrackTrack默认、BoT-SORT、ByteTrack、OC-SORT、Deep OC-SORT 与 FastTracker。这一承诺在代码层有双重印证默认配置 ultralytics/cfg/default.yaml 中tracker: tracktrack.yamlultralytics/cfg/trackers 目录下正好存放botsort.yaml、bytetrack.yaml、deepocsort.yaml、fasttrack.yaml、ocsort.yaml、tracktrack.yaml六份跟踪器配置文件。对应的核心实现分布在 ultralytics/trackersbot_sort.py、byte_tracker.py、deep_oc_sort.py、oc_sort.py、fast_tracker.py、track_tracker.pyPython 侧统一入口为YOLO(yolo26n.pt).track(source...)底层调用链可追溯至 ultralytics/engine/model.py 的track方法。八、YOLO 许可证AGPL-3.0 与企业许可Ultralytics YOLO 提供两种许可以覆盖不同使用场景仓库根目录 LICENSE 为 AGPL-3.0 协议全文AGPL-3.0开源面向学生与爱好者促进开放协作与知识共享企业许可Enterprise License面向开发与生产场景允许将 Ultralytics 软件与 AI 模型无缝集成进商业产品与服务含内部工具、自动化工作流、生产部署无需承担 AGPL-3.0 的开源义务。其许可策略的核心目的是确保对开源项目的改进能够回馈社区——这正是选择该协议组合的出发点。九、高频问题速答YOLO 是什么它在目标检测上做了哪些改进Ultralytics YOLO 是知名的实时目标检测与图像分割模型系列。最新型号 YOLO26 通过引入端到端免 NMS 推理与优化的边缘部署能力在前代基础上持续演进同时覆盖 detection、instance segmentation、semantic segmentation、depth estimation、classification、pose estimation、oriented bounding boxes 等任务并能通过 track 模式 跨视频帧跟踪检测对象。如何开始安装与初始化执行pip install ultralytics后运行yolo predict modelyolo26n.pt即可开始——模型权重会自动下载。涉及 conda、Docker 或源码安装的完整说明见 Quickstart 页面。如何用自己的数据集训练自定义模型准备带标注的数据集并用一个dataset YAML 文件描述它可参考ultralytics/cfg/datasets/下的内置示例加载预训练模型例如 Python 中执行YOLO(yolo26n.pt)启动训练from ultralytics import YOLO model YOLO(yolo26n.pt) # 加载预训练模型 model.train(datapath/to/dataset.yaml, epochs100, imgsz640) # 训练或等价 CLIyolo detect train datapath/to/dataset.yaml epochs100 imgsz640详细流程与调优技巧见 Train a Model 指南。如何做实时多目标跟踪Python 调用YOLO(yolo26n.pt).track(sourcepath/to/video.mp4)或命令行运行yolo track sourcepath/to/video.mp4。两者均支持视频文件、实时流与摄像头输入。跟踪器切换、参数配置与实时场景实践详见 Track Mode。结语docs/en/index.md不仅是文档的入口更是理解整个 Ultralytics YOLO 生态的「语法总纲」以yolo [TASK] MODE ARGS为骨架Task、Mode、Args 与 Solutions 四层结构既是文档目录也是运行时参数解析与分发的真实逻辑模型 YAML、tracker 配置与数据集 YAML 则在ultralytics/cfg目录中一一对应。把握这条从文档到命令、再到源码的映射关系无论是初学快速上手、微调自定义模型还是落地边缘部署都能在 Quickstart 的指引下快速进入实战状态。【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
Ultralytics YOLO 文档全览与实战上手：从 YOLO26 实时视觉模型到 yolo TASK MODE ARGS 统一工作流
Ultralytics YOLO 文档全览与实战上手从 YOLO26 实时视觉模型到 yolo TASK MODE ARGS 统一工作流【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本篇技术指南以docs/en/index.mdUltralytics YOLO 文档首页为骨架系统梳理 Ultralytics YOLO 在检测、分割、深度估计、分类、姿态估计等视觉任务上的模型家族与能力边界并结合当前仓库源码ultralytics/cfg、ultralytics/engine、pyproject.toml等深入剖析其统一命令语法yolo [TASK] MODE ARGS、Task/Mode/Args 三类核心概念、目标跟踪默认配置与许可证体系。读完你将能够在两条命令内完成首次预测并按训练、推理、跟踪、部署、选型等目标快速定位到对应的模式、文档与源码位置建立起贯穿「文档导航 — 命令行 — 源码实现」的完整使用脉络。一、Ultralytics YOLO 是什么一套模型家族 一个 Python 包 一条 CLIUltralytics YOLO 是一族实时计算机视觉模型覆盖目标检测object detection、实例分割instance segmentation、语义分割semantic segmentation、深度估计depth estimation、图像分类classification、姿态估计pose estimation、旋转框检测oriented bounding boxesOBB与目标跟踪tracking全部通过一个 Python 包与一套 CLI对外提供可参考 入口说明。项目核心版本信息可在 ultralytics/init.py 中看到__version__ 8.4.138。YOLO26是该家族当前的最新系列基于深度学习的持续演进原生支持端到端、无需 NMSnon-maximum suppression后处理的推理路径并对边缘部署做了针对性优化其轻量化结构使其既能在边缘设备上运行也能服务云端 API对于需要稳定生产级工作负载的场景官方推荐在 YOLO26 与 YOLO11 两者间选择。在仓库源码中任务与模式的合法取值被集中定义于 ultralytics/cfg/init.pyMODES (train, val, predict, export, track, benchmark) TASKS (detect, segment, semantic, depth, classify, pose, obb)可见当前文档首页描述的能力与代码中登记的枚举完全一致——模型是否支持某个任务可以直接通过 TASKS 元组校验。二、两个命令快速上手安装与首次预测文档首页给出了整个生态最精简的入口两步即可完成环境搭建与一次真实推理详见 Quickstart 指南# 1. 从 PyPI 安装 ultralytics 包 pip install ultralytics # 2. 用预训练 YOLO26n 模型对一张图片做目标检测 yolo predict modelyolo26n.pt sourcepath/to/bus.jpg自动下载与结果落盘执行第二条命令时模型权重与示例图片会自动下载推理完成后标注结果会被保存到runs/detect/predict目录。这一约定贯穿整个工具链所有模式train/val/predict 等的输出默认都以runs/task/mode的形式组织。CLI 入口的底层实现yolo这条命令并非独立可执行文件而是通过包元数据注册的 console 脚本。在 pyproject.toml 中可以找到[project.scripts] ultralytics ultralytics.cfg:entrypoint也就是说yolo命令实际调用的是ultralytics.cfg模块的entrypoint函数它会完成参数解析、Task/Mode 校验与默认值填充再分发给对应任务的执行类。理解这一点后无论你用的是yolo predict、yolo train还是 Python API底层走的都是同一套参数解析逻辑cfg/init.py 中的CLI_HELP_MSG对全部语法与示例做了完整说明。三、统一命令语法yolo [TASK] MODE ARGS文档组织与代码实现高度一致地围绕一条统一语法展开yolo TASK MODE ARGS其中TASK可省略回答「你想从图像中得到什么」MODE必需回答「你打算如何使用模型」ARGS可选任意数量的argvalue键值对用于覆盖默认配置。该语法的合法性约束与帮助文案由 ultralytics/cfg/init.py 中的CLI_HELP_MSG定义例如# 1. 训练检测模型 10 个 epoch初始学习率 0.01 yolo train datacoco8.yaml modelyolo26n.pt epochs10 lr00.01 # 2. 用预训练分割模型以 320 分辨率推理一段视频 yolo predict modelyolo26n-seg.pt sourcepath/to/video.mp4 imgsz320 # 3. 验证预训练检测模型 yolo val modelyolo26n.pt datacoco8.yaml batch1 imgsz640 # 4. 将 YOLO26n 分类模型导出为 ONNX无需写 TASK yolo export modelyolo26n-cls.pt formatonnx imgsz224,128Task任务决定「看到什么」文档首页与任务导航页把支持的任务归纳为七类对应 tasks 文档任务输出对应文档仓库默认数据集 YAMLdetect 检测边界框detectcoco8.yamlsegment 实例分割逐实例掩码segmentcoco8-seg.yamlsemantic 语义分割逐像素类别semanticcityscapes8.yamldepth 深度估计逐像素距离米depthdepth8.yamlclassify 分类类别概率classifyimagenet10pose 姿态估计关键点posecoco8-pose.yamlobb 旋转框旋转边界框obbdota8.yaml上表「默认数据集」列与源码中的TASK2DATA映射一一对应ultralytics/cfg/init.py当你省略data时系统会按任务自动补全其默认验证/训练数据例如语义分割缺省使用cityscapes8.yaml、深度估计缺省使用depth8.yaml。Mode模式决定「怎么使用模型」六种模式在文档中各有专页train 训练、val 验证、predict 预测、export 导出、track 跟踪、benchmark 基准测试。它们与MODES枚举顺序一致且都作为方法暴露在 Python 主类上例如 ultralytics/engine/model.py 中定义了predict、track、val、benchmark、export、train、tune等完整方法集合。Args命令配置中心Args层决定了模型的运行细节。默认配置集中于 ultralytics/cfg/default.yaml其中关键两项为task: detect # 默认任务 mode: train # 默认模式以及跟踪器默认值tracker: tracktrack.yaml # 默认跟踪器配置全部可配置参数的说明参见 Args 文档。常用的model选择模型架构从 YOLO26、YOLO11 到 SAM 3、RT-DETR 等以及epochs、imgsz等超参数均在此层生效。四、按目标选路径八类典型使用场景文档首页以「What Do You Want to Do?」卡片的形式把文档导航重组为八种开发目标每条都指向可直接执行的实战章节用自己的数据集训练模型对预训练 YOLO26 微调可调整增强策略与超参数、支持多 GPU 训练 → Train a custom model。对图像或视频运行模型几行 Python 或单条 CLI 命令即可拿到边界框、掩码或关键点 → Predict on new data。跨视频帧跟踪对象使用带持久 ID 的多目标跟踪内置TrackTrack默认、BoT-SORT、ByteTrack、OC-SORT、Deep OC-SORT、FastTracker等跟踪器 → Multi-object tracking。直接运行现成视觉应用物体计数、热力图、队列管理、安防告警、健身动作监测等无需训练→ Explore Solutions。部署模型导出到 ONNX、TensorRT、OpenVINO 等格式用于边缘设备、移动端与云服务器上的快速推理 → Export and deploy。挑选合适模型对比 YOLO26、YOLO11、SAM 3、RT-DETR 等所有受支持架构的速度、精度与适用场景 → Browse all models。查询 Python API查看自动从源码生成、随版本更新的类与方法签名 → API Reference。了解最新 YOLO26Ultralytics 最新模型家族以免 NMS 的端到端推理带来相比 YOLO11 更优的精度-延迟权衡 → Meet YOLO26。认识新模型 YOLO26关于第 8 点的细节YOLO26 文档 给出其四大设计要点原生端到端推理默认的一对一检测头直接产出预测无需 NMS降低后处理复杂度简化部署更轻的回归头移除 Distribution Focal LossDFL在不损失回归范围的前提下降低检测头复杂度训练配方更新组合MuSGDMuon SGD 混合优化器、Progressive Loss与STALSmall-Target-Aware Label Assignment小目标感知标签分配完整超参数记录在 YOLO26 Training Recipe 指南任务专属头与损失为实例分割、语义分割变体、姿态估计、旋转框检测提供专门设计同时保持全任务共享同一套模型管线。仓库中 YOLO26 的每种任务头配置都以 YAML 形式保存在 ultralytics/cfg/models/26 目录下如yolo26.yaml、yolo26-seg.yaml、yolo26-sem.yaml、yolo26-depth.yaml、yolo26-pose.yaml、yolo26-obb.yaml、yolo26-cls.yaml以及yoloe-26.yaml开放词汇变体这正是「一个家族、多任务头」架构的落地证据。五、文档如何组织与命令语法一一对应Ultralytics 文档的目录结构刻意与命令语法保持同构方便读者「按语法找文档」Task回答「从图像中得到什么」——detect、segment、semantic、depth、classify、pose、obbMode回答「怎么用模型」——train、val、predict、export、track、benchmarkArgs配置命令——从model到epochs、imgsz等超参数Solutions语法上的「捷径」——跳过 Task 与 Mode直接得到完整应用如物体计数、安防告警。其余栏目则是对这一语法的支撑Models列出可传给model的全部架构——YOLO26、YOLO11、SAM 3、RT-DETR 等Datasets各 Task 训练所用数据集目标检测的 COCO/VOC、姿态的 COCO-Pose、旋转框的 DOTA、深度的多套深度数据集等Guides横跨硬件部署、超参数调优、数据集格式转换与完整项目实战的深度教程合集Integrations将训练/推理流水线接入主流训练与部署工具ReferencePython API 全部类与函数的逐条文档。同一模型的两个外围产品在 Python 包之外还有两个基于同一套模型运行的产品化表面Ultralytics Platform云端标注、训练与部署平台把同一模型的算力以 SaaS 形式提供Ultralytics Inference独立于 Python 的Rust 库与 CLI用于在无 Python 运行时环境下执行已导出的模型。六、任务家族在仓库中的落点模型 YAML 与数据集配置若希望深入源码理解「模型 任务 数据」如何被组织可以直接对照仓库中的配置目录模型结构 YAMLultralytics/cfg/models/下按版本分子目录26/、11/、v8/、rt-detr/、v10/等每种任务的 yaml 命名即代表可用的模型标识符。例如深度估计任务对应的头结构见yolo26-depth.yaml而检测默认模型由TASK2MODEL中的detect: yolo26n.pt指定ultralytics/cfg/init.py数据集配置 YAMLultralytics/cfg/datasets/下存放全部内置数据集描述例如coco.yaml、coco8-seg.yaml、cityscapes8.yaml、depth8.yaml、dota8.yaml等。自定义数据集只需仿照这些文件编写一个描述路径与类别的 dataset YAML即可被data直接引用。从结构上可以推断新增一种「模型变体」等于新增一份任务 YAML 对应权重新增一个「数据集」等于新增一份 dataset YAML这一约定让社区复用与二次开发都保持了较低门槛。七、目标跟踪的默认配置与可选跟踪器文档首页明确提到跟踪功能支持TrackTrack默认、BoT-SORT、ByteTrack、OC-SORT、Deep OC-SORT 与 FastTracker。这一承诺在代码层有双重印证默认配置 ultralytics/cfg/default.yaml 中tracker: tracktrack.yamlultralytics/cfg/trackers 目录下正好存放botsort.yaml、bytetrack.yaml、deepocsort.yaml、fasttrack.yaml、ocsort.yaml、tracktrack.yaml六份跟踪器配置文件。对应的核心实现分布在 ultralytics/trackersbot_sort.py、byte_tracker.py、deep_oc_sort.py、oc_sort.py、fast_tracker.py、track_tracker.pyPython 侧统一入口为YOLO(yolo26n.pt).track(source...)底层调用链可追溯至 ultralytics/engine/model.py 的track方法。八、YOLO 许可证AGPL-3.0 与企业许可Ultralytics YOLO 提供两种许可以覆盖不同使用场景仓库根目录 LICENSE 为 AGPL-3.0 协议全文AGPL-3.0开源面向学生与爱好者促进开放协作与知识共享企业许可Enterprise License面向开发与生产场景允许将 Ultralytics 软件与 AI 模型无缝集成进商业产品与服务含内部工具、自动化工作流、生产部署无需承担 AGPL-3.0 的开源义务。其许可策略的核心目的是确保对开源项目的改进能够回馈社区——这正是选择该协议组合的出发点。九、高频问题速答YOLO 是什么它在目标检测上做了哪些改进Ultralytics YOLO 是知名的实时目标检测与图像分割模型系列。最新型号 YOLO26 通过引入端到端免 NMS 推理与优化的边缘部署能力在前代基础上持续演进同时覆盖 detection、instance segmentation、semantic segmentation、depth estimation、classification、pose estimation、oriented bounding boxes 等任务并能通过 track 模式 跨视频帧跟踪检测对象。如何开始安装与初始化执行pip install ultralytics后运行yolo predict modelyolo26n.pt即可开始——模型权重会自动下载。涉及 conda、Docker 或源码安装的完整说明见 Quickstart 页面。如何用自己的数据集训练自定义模型准备带标注的数据集并用一个dataset YAML 文件描述它可参考ultralytics/cfg/datasets/下的内置示例加载预训练模型例如 Python 中执行YOLO(yolo26n.pt)启动训练from ultralytics import YOLO model YOLO(yolo26n.pt) # 加载预训练模型 model.train(datapath/to/dataset.yaml, epochs100, imgsz640) # 训练或等价 CLIyolo detect train datapath/to/dataset.yaml epochs100 imgsz640详细流程与调优技巧见 Train a Model 指南。如何做实时多目标跟踪Python 调用YOLO(yolo26n.pt).track(sourcepath/to/video.mp4)或命令行运行yolo track sourcepath/to/video.mp4。两者均支持视频文件、实时流与摄像头输入。跟踪器切换、参数配置与实时场景实践详见 Track Mode。结语docs/en/index.md不仅是文档的入口更是理解整个 Ultralytics YOLO 生态的「语法总纲」以yolo [TASK] MODE ARGS为骨架Task、Mode、Args 与 Solutions 四层结构既是文档目录也是运行时参数解析与分发的真实逻辑模型 YAML、tracker 配置与数据集 YAML 则在ultralytics/cfg目录中一一对应。把握这条从文档到命令、再到源码的映射关系无论是初学快速上手、微调自定义模型还是落地边缘部署都能在 Quickstart 的指引下快速进入实战状态。【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
