ultralytics

几行代码搞定目标检测,训练部署一条龙

Ultralytics 是计算机视觉领域最流行的开源工具包,提供 YOLO 系列目标检测模型(包括 YOLOv8、YOLO11 及最新的 YOLO26)的一站式训练、推理与部署能力。它解决的是从模型训练到实际应用的全流程痛点,用户无需深入底层实现即可完成目标检测、实例分割、语义分割、图像分类、姿态估计和对象跟踪等任务。核心能力包括:简洁的 Python API(几行代码即可训练或推理)、丰富的预训练模型库、自动超参数调优、模型导出至 ONNX/TFLite/TensorRT 等格式,以及内置的数据增强和可视化工具。项目由 Ultralytics 公司维护,社区活跃,文档完善,是学术界和工业界应用最广的检测框架之一。

开源 freemium 计算机视觉
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 61906
维护状态 活跃
是否开源 是
定价模式 freemium

项目数据

分类计算机视觉
开发团队ultralytics
所属国家
定价模式freemium
价格说明提供在线平台,基础功能免费,高级功能需订阅,具体价格见官网。
访问状态
是否开源是
开源协议AGPL-3.0
主要语言Python
技术栈/模型computer-vision,deep-learning,image-classification,instance-segmentation,machine-learning,object-detection,object-tracking,pose-estimation,python,pytorch,rotated-object-detection,segment-anything,semantic-segmentation,tracking,ultralytics,yolo,yolo11,yolo26,yolo27,yolov8
GitHub 星标★ 61906
30天Star增速
HF 下载量
上线时间2022-09-11 00:00:00
最近更新2026-09-22 00:00:00
维护状态活跃
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-10
浏览次数7

使用教程

难度:入门 约 10 分钟 部署方式:库/依赖 4 步

⚠ 该项目 README 未提供完整安装说明,以下步骤为通用流程,请以官方文档为准。

环境要求

  • Python 3 运行环境(README 未标注最低版本,建议使用较新的 3.x)
  • 可访问 PyPI 以下载 ultralytics 包(README 中带有 PyPI 下载量徽章)
  • 可联网访问官方文档 https://docs.ultralytics.com 查阅完整示例(README 提供中文文档链接)

安装与启动步骤

  1. 1检查 Python 环境

    先确认本机已安装 Python 及 pip,README 未指定具体版本,以能正常运行 pip 为准。

    python --version
    pip --version
  2. 2安装 ultralytics

    README 带有 PyPI 下载量徽章,说明该包通过 PyPI 分发,用 pip 安装即可。

    pip install ultralytics
  3. 3编写导出脚本

    README 只给了一行导出示例:path = model.export(format="onnx"),需自行补上模型加载与打印。

    from ultralytics import YOLO
    
    model = YOLO("yolo11n.pt")
    path = model.export(format="onnx")
    print(path)
  4. 4运行脚本导出

    保存为 export_onnx.py 后执行,导出完成后函数会返回导出模型的路径。

    python export_onnx.py

关键配置

配置项必填说明示例
format是export() 的导出格式参数,README 示例中取值为 onnx"onnx"

如何确认成功

脚本运行不报错,并打印出导出模型的文件路径(README 说明 export 会返回该路径)。

常见问题

Q:哪里能看到更多使用示例?

A:README 指向 YOLO Python 文档 https://docs.ultralytics.com/usage/python,中文文档为 https://docs.ultralytics.com/zh。

Q:必须导出成 ONNX 吗?

A:不是。README 片段只给出了 format="onnx" 这一种示例,其他格式与参数请查阅官方文档确认,不要照搬未验证的取值。

Q:安装后 import 失败怎么办?

A:先确认 pip 与 python 指向同一环境;如在虚拟环境中使用,请先激活环境再执行 pip install ultralytics。

Q:导出后的模型文件在哪?

A:导出函数会返回文件路径,按 README 示例用变量接住并打印即可看到具体位置。

注意事项

  • 本教程仅依据 README 片段整理,README 未给出 Python 版本要求、依赖清单与完整安装命令,实际以官方文档为准。
  • README 片段未指明具体权重文件名,示例中的 yolo11n.pt 为常见用法,请按官方文档替换为你要使用的模型。
  • 建议在虚拟环境中安装,避免与系统 Python 包冲突。
  • 导出大型模型或批量导出时注意磁盘空间与耗时。

核心亮点

  • API 极简,几行代码完成训练/推理,上手门槛低
  • 预训练模型丰富,YOLOv8/11/26 覆盖检测、分割、姿态等任务
  • 支持导出 ONNX/TFLite/TensorRT,部署到移动端和边缘设备

不足之处

  • 模型训练对 GPU 显存要求较高,低端硬件跑不动大模型
  • 文档/社区待观察:部分高级功能(如自定义训练策略)文档不够详细

适用场景

  • 工业质检:实时检测产品缺陷
  • 安防监控:行人/车辆检测与跟踪
  • 自动驾驶:道路目标识别与姿态估计

替代项目

MMDetection、Detectron2、YOLOv5

项目介绍

ultralytics 是计算机视觉领域的开源项目,由 ultralytics 开发,2022 年首次发布。

在全站 13,014 个收录项目中,它的 GitHub 星标数(61,906)位列前 1%,在计算机视觉分类的 446 个项目里位列前 1%。

近 44 天,它的 GitHub 星标从 60,460 增加到 61,906,净增 1,446。

项目目前处于活跃维护状态,最近一次代码更新于 2026-09-22。提供在线平台,基础功能免费,高级功能需订阅,具体价格见官网。从国内网络环境看,可直接访问。

它主要面向的使用场景是:工业质检:实时检测产品缺陷。同类可对比的替代方案包括 MMDetection、Detectron2、YOLOv5。

上一篇:opencv

下一篇:supervision

同类项目推荐

modlens 开源

给纯文本编码代理装上眼睛,粘贴图片即刻获得结构化视觉证据。

The first vision plugin for DeepSeek Harness, and the vision bridge for every text-o···

★ 4019 2026-08-19
opencv 开源

开箱即用的视觉算法库,搞定图像视频处理与识别

Open Source Computer Vision Library

★ 90930 2026-08-10
OpenCVTutorials 开源

中文 OpenCV 教程,从入门到实战,边看边跑代码

OpenCV-Python4.1 中文文档

★ 1430 2026-08-20
DEIMv2 开源

用DINOv3做实时检测,又快又准,直接落地。

[DEIMv2] Real Time Object Detection Meets DINOv3

★ 2046 2026-08-14