## 项目概述

Ultralytics 是一个开源的计算机视觉项目，提供最先进的 YOLO 模型系列（包括 YOLO26、YOLO11、YOLOv8 等），支持目标检测、实例分割、语义分割、图像分类、姿态估计和对象跟踪等任务。该项目基于 PyTorch 构建，以速度快、精度高、易于使用著称，并提供了丰富的文档和社区支持。

## 核心功能

- **目标检测**：支持多种 YOLO 模型，在 COCO 数据集上预训练，可检测 80 类物体。
- **实例分割**：提供 YOLO26-seg 等模型，实现像素级物体分割。
- **语义分割**：基于 Cityscapes 数据集，支持 19 类场景理解。
- **图像分类**：支持 ImageNet 等数据集，提供分类模型。
- **姿态估计**：检测人体关键点，适用于动作分析等场景。
- **对象跟踪**：支持检测、分割、姿态和 OBB 模型的跟踪模式。
- **旋转目标检测**：支持 OBB 模型，适用于航拍图像等场景。
- **深度估计**：YOLO26 新增深度估计任务，可预测单目图像的像素深度。
- **模型导出**：支持导出为 ONNX、TensorRT 等格式，便于部署。

## 适用与不适用场景

**适用场景：**

- 实时目标检测与跟踪，如安防监控、自动驾驶辅助。
- 工业质检，如产品缺陷检测。
- 医学影像分析，如细胞检测。
- 姿态估计，如健身动作分析、人机交互。
- 图像分类与检索。
- 学术研究与教学。

**不适用场景：**

- 需要处理非视觉数据（如文本、音频）的任务。
- 对模型推理速度要求极高且硬件资源受限的嵌入式设备（需自行优化）。
- 需要商业闭源部署且不愿遵循 AGPL-3.0 协议的场景（需购买企业许可）。

## 技术架构与依赖

- **编程语言**：Python
- **深度学习框架**：PyTorch
- **主要依赖**：Python>=3.8, PyTorch>=1.8, 以及 NumPy, OpenCV 等常见库。
- **模型架构**：基于 YOLO 系列，不断迭代更新。
- **支持硬件**：CPU、GPU（NVIDIA CUDA）。
- **导出格式**：ONNX, TensorRT, CoreML 等。

## 安装与快速开始

**安装**：

```bash
pip install ultralytics
```

也可通过 Conda、Docker 或源码安装，详见官方文档。

**快速开始**：

使用预训练模型进行预测：

```bash
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'
```

Python 接口：

```python
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
results = model("path/to/image.jpg")
results[0].show()
```

## 典型使用方法

**训练模型**：

```python
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=100, imgsz=640)
```

**验证模型**：

```python
metrics = model.val()
```

**导出模型**：

```python
path = model.export(format="onnx")
```

**跟踪对象**：

```python
results = model.track("path/to/video.mp4")
```

## 配置与部署要点

- **数据集格式**：需按照 YOLO 格式组织数据，包括 images 和 labels 目录。
- **训练参数**：可通过 YAML 文件或命令行参数配置，如 imgsz、epochs、device 等。
- **部署**：支持导出为 ONNX、TensorRT 等格式，可部署到云端或边缘设备。
- **硬件要求**：训练建议使用 GPU，推理可在 CPU 上运行。
- **许可证**：AGPL-3.0 开源协议，商业使用需购买企业许可。

## 限制、风险与许可证

- **许可证**：AGPL-3.0，要求衍生作品开源；商业闭源需企业许可。
- **数据依赖**：模型性能依赖训练数据质量，特定场景需微调。
- **计算资源**：训练大型模型需要较高 GPU 资源。
- **风险**：模型可能产生误检，需在关键应用中人工复核。

## 官方链接

- GitHub 仓库：https://github.com/ultralytics/ultralytics
- 官方文档：https://docs.ultralytics.com/
- 企业许可：https://www.ultralytics.com/license
- 社区论坛：https://community.ultralytics.com/

## 信息来源和分析时间

- 信息来源：GitHub 仓库 README、文档、发布信息。
- 分析时间：2026年8月9日（基于最新发布 v8.4.117）。