Ultralytics 支持模型全景：从 YOLO26 到 RT-DETR 的任务覆盖、模式能力与选型指南

导读：本指南系统梳理 Ultralytics 官方文档中全部受支持的模型家族——从最新的 YOLO26 一路回溯到 YOLOv3，以及 SAM 系列、YOLO-NAS、RT-DETR、YOLO-World 与 YOLOE——并给出每个模型的任务覆盖、可用模式（Train / Val / Predict / Export）与适用场景，帮助你为新项目选型、理解历史代码库中的既有模型，并通过与仓库源码交叉印证的方式掌握 YOLO()、SAM()、NAS()、RTDETR() 等入口类的真实调用关系。读完你将能对照任务需求快速锁定模型家族、理解各模型支持能力边界，并直接运行文档中的 Python / CLI 示例。

Ultralytics 的模型文档覆盖了计算机视觉的多类任务，包括目标检测、实例分割、语义分割、深度估计、图像分类、姿态估计与旋转框检测（OBB）。仓库中的 models 包 是这些模型在代码层的落地入口，公开了 YOLO、YOLOE、YOLOWorld、NAS、SAM、FastSAM、RTDETR、LLM 等类。

模型家族总览与任务覆盖

新项目如何选：先看 YOLO26 与 YOLO11

官方建议新项目优先从 YOLO26 开始：它是当前最新的发布版本，也是唯一覆盖全部七类任务的模型家族。YOLO26 的模型定义文件在 ultralytics/cfg/models/26 目录下可以逐一印证其任务矩阵：

• yolo26.yaml（检测）
• yolo26-seg.yaml（实例分割）
• yolo26-sem.yaml（语义分割）
• yolo26-depth.yaml（单目深度估计）
• yolo26-cls.yaml（图像分类）
• yolo26-pose.yaml（姿态估计）
• yolo26-obb.yaml（旋转框检测）
• 以及开放词表版本 yoloe-26.yaml 与 yoloe-26-seg.yaml

而 YOLO11 是更成熟的替代选择，为其支持的五类任务（Detect、Segment、Classify、Pose、OBB）都提供了预训练权重，适合稳定运行的生产负载。

只有在需要特定能力时才转向专精家族：可提示分割用 SAM 3，开放词表检测用 YOLOE 与 YOLO-World，Transformer 检测器则选择 RT-DETR。

模式（Modes）的统一语义

下文表格中的「Modes」指 Train、Val、Predict、Export 四个核心模式。Track 之所以不单列，是因为它运行在 Detect、Segment、Pose、OBB 模型的 Predict 之上；而 SAM 2、SAM 3 则通过各自的视频预测器实现跨帧跟踪。Benchmark 也未单独列出，因为它本质上是跨多种导出格式包装 Export 与 Val，而非增加新的模型支持。

从仓库的 YOLO 任务子包 可以看到，ultralytics.models.yolo 统一导入了 classify、depth、detect、obb、pose、segment、semantic、world、yoloe 九个任务模块，这与表格中 YOLO26 覆盖全部任务的能力一一对应。

Featured Models：全部受支持模型的官方对照表

下表列出的每个模型家族都有独立的文档页，表格给出其任务覆盖、Ultralytics 支持的四种模式，以及选型建议。

模型	任务	模式	适用场景
YOLO26 🚀 NEW	Detect、Segment、Semantic、Depth、Classify、Pose、OBB	Train、Val、Predict、Export	新项目：端到端 NMS-free 推理、面向边缘优化的部署，以及最广的任务覆盖
YOLO12	Detect、Segment、Classify、Pose、OBB	Train、Val、Predict、Export	对社区发布的、以注意力机制为核心的版本做基准测试；预训练权重仅覆盖检测
YOLO11	Detect、Segment、Classify、Pose、OBB	Train、Val、Predict、Export	稳定生产负载，其支持的每个任务都有预训练权重
YOLOv10	Detect	Train、Val、Predict、Export	清华大学的 NMS-free 检测研究
YOLOv9	Detect、Segment	Train、Val、Predict、Export	PGI（可编程梯度信息），基于 Ultralytics YOLOv5 代码库实现
YOLOv8	Detect、Segment、Classify、Pose、OBB	Train、Val、Predict、Export	已有的 YOLOv8 流水线以及成熟的三方集成
YOLOv7	Detect	Predict	运行上游训练的 YOLOv7 导出模型：本包只从兼容的 ONNX 或 TensorRT 模型进行预测，从不加载原生 checkpoint
YOLOv6	Detect	Train、Val、Predict、Export	从其 YAML 训练美团架构；Ultralytics 不托管 YOLOv6 的 .pt 权重
YOLOv5	Detect	Train、Val、Predict、Export	遗留 Ultralytics 项目；当前版本加载更新后的 YOLOv5u 权重
YOLOv4	无	无	仅作架构参考：Alexey Bochkovskiy 基于 Darknet 的原生模型不受本包支持
YOLOv3	Detect	Train、Val、Predict、Export	Joseph Redmon 原始架构上的遗留项目；当前版本加载更新后的 YOLOv3u 权重
SAM 3 🚀 NEW	Segment	Predict	Meta 的可提示概念分割（图片与视频），支持文本或图像示例作为提示；sam3.pt 需在 Hugging Face 上申请访问授权
SAM 2	Segment	Predict	Meta 的可提示分割，支持跨视频帧跟踪目标
SAM	Segment	Predict	Meta 最初的可提示分割，支持自动标注
MobileSAM	Segment	Predict	面向移动端及其他资源受限设备的可提示分割
FastSAM	Segment	Val、Predict、Export	当 SAM 延迟成为瓶颈时，基于 CNN 的可提示分割方案
YOLO-NAS	Detect	Val、Predict、Export	Deci 的 NAS 优化检测器，保留用于推理与导出；Deci 在被 NVIDIA 收购后已不再维护
RT-DETR	Detect	Train、Val、Predict、Export	百度的实时 DETR 检测器：卷积骨干 + 混合 Transformer 编码器
YOLO-World	Detect	Train、Val、Predict、Export	基于文本提示的开放词表检测；导出需使用 -worldv2 权重
YOLOE	Detect、Segment	Train、Val、Predict、Export	支持文本、视觉或免提示推理的开放词表检测与分割

关于大语言模型：Ultralytics 还内置 LLM，一个与 OpenAI 兼容的文本与图像理解接口。它没有自己的任务与模式，因此未列入上表，但它可以与任何 YOLO 流水线搭配使用，既支持 OpenAI 等云厂商，也支持完全本地的 on-prem 服务器。仓库中 LLM 类 通过 api 参数切换 responses 与 chat.completions 两种接口格式，并使用 base_url 指向任意 OpenAI 兼容端点。

源码视角：模式能力如何落地

将上表与源码对照可以得出几个确凿结论：

1. 类入口即家族边界：models 包 中 FastSAM、NAS、RTDETR 直接暴露 FastSAMPredictor/FastSAMValidator、NASPredictor/NASValidator、RTDETRPredictor/RTDETRValidator 等配套组件，佐证 FastSAM 与 NAS 的官方路径以 Val/Predict 为主；NAS() 类所在包的 predict.py 与 val.py 说明其能力集中在推理与验证而非训练。
2. SAM 系列以视频预测器实现跟踪：SAM 包 导出了 SAM2VideoPredictor、SAM3VideoPredictor、SAM3SemanticPredictor、SAM3VideoSemanticPredictor 等，印证文档所述「SAM 2 / SAM 3 通过自身视频预测器完成跨帧跟踪」。
3. 任务模块决定模式上限：YOLO 任务子包 覆盖九个任务方向，而模型版本的 YAML 配置（例如 yolo26.yaml）仅声明其自身结构，真正决定「能否训练」的是该家族是否携带对应的任务训练头与 Trainer 实现。

快速上手：Python 与 CLI 用法示例

下面的示例以 YOLO26 的 Detect 模型展示训练与推理的基本用法（其余支持任务见 Segment、Semantic、Depth、Classify、Pose 与 OBB 文档）。关于这些模式的完整说明，参考 Predict、Train、Val 与 Export 页面。

Python：通过类加载模型

PyTorch 预训练 *.pt 模型以及纯结构 *.yaml 配置文件，都可以传给 YOLO()、SAM()、NAS() 与 RTDETR() 类来创建模型实例：

from ultralytics import YOLO

# 加载一个 COCO 预训练的 YOLO26n 模型
model = YOLO("yolo26n.pt")

# 展示模型信息（可选）
model.info()

# 在 COCO8 示例数据集上训练 100 个 epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 用 YOLO26n 模型对 'bus.jpg' 图片执行推理
results = model("path/to/bus.jpg")

实参说明：coco8.yaml 是仓库内置的微型示例数据集配置（见 ultralytics/cfg/datasets/coco8.yaml），适合快速验证训练流程；imgsz=640 为输入分辨率；yolo26n.pt 中的 n 指 nano 规模（另有 s/m/l/x）。训练参数 epochs、imgsz 与 data 的含义及更多超参数可查阅 Train 模式文档。

CLI：命令行直接运行

# 加载 COCO 预训练 YOLO26n 模型，在 COCO8 数据集上训练 100 个 epoch
yolo train model=yolo26n.pt data=coco8.yaml epochs=100 imgsz=640

# 加载 COCO 预训练 YOLO26n 模型，对 'bus.jpg' 图片执行推理
yolo predict model=yolo26n.pt source=path/to/bus.jpg

CLI 与 Python API 一一对应，均经由 模型引擎层 分发到对应任务与模式。

使用自定义数据集训练

训练自定义数据集同样通过 model.train() 完成：只需将数据集按 YOLO 标注格式整理，并写好一个包含 train/val 路径与类别列表的数据集 YAML 即可。

from ultralytics import YOLO

# 加载一个 YOLO 模型（也可换成 yolo11n.pt、yolov8n.pt 等）
model = YOLO("yolo26n.pt")

# 在自定义数据集上训练
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

CLI 等价命令：

yolo train model=yolo26n.pt data='custom_data.yaml' epochs=100 imgsz=640

仓库内置了大量开箱即用的数据集 YAML 示例，datasets 配置目录 下包含 COCO、VOC、VisDrone、DOTA、ADE20K、各类 pose/segment 数据集等 60 余个配置文件，可作为自定义数据集 YAML 的格式范本。详细训练说明见 Train 模式文档。

官方支持的 YOLO 版本清单

Ultralytics 原生支持 YOLOv3、YOLOv5、YOLOv6、YOLOv8、YOLOv9、YOLOv10、YOLO11、YOLO12 与 YOLO26，以及 SAM 家族（SAM 3、SAM 2、SAM、MobileSAM、FastSAM）、YOLO-NAS、RT-DETR、YOLO-World 与 YOLOE。

需要特别区分的是：

• 本包不发布 YOLOv4 与 YOLOv7 的权重或 YAML：YOLOv4 仅作为架构参考记录在案；YOLOv7 则只能以导出的 ONNX / TensorRT 模型运行。
• YOLOv3 与 YOLOv5 的旧有 checkpoint 与当前发布版本存在差异：当前版本加载的是更新后的 YOLOv3u / YOLOv5u 权重。
• 该支持清单可以从模型配置目录得到旁证：仓库 cfg/models 下存在 v3、v5、v6、v8、v9、10、11、12、26、rt-detr 等模型 YAML 目录，各家族的任务能力均可通过其 YAML 组合判断。

各模型可用任务与模式参见上文 Featured Models 对照表。

任务与后续路径

选定任务与模型家族之后，可以顺着以下路径继续深入：

• 七个任务的逐个讲解与示例见 任务总览：Detect / Segment / Semantic / Depth / Classify / Pose / OBB；
• 按任务格式化数据的操作见 数据集指南；
• 在自有图片上训练可参考 Train 模式；
• 若希望无代码地在云端完成训练、部署与管理，可了解 Ultralytics Platform，其提供云端训练能力、数据集管理与面向初学者/资深开发者的界面。

关于新模型的贡献

如果你希望把自己实现的模型合入 Ultralytics 模型家族，官方给出了六步流程：

1. Fork 仓库，获得自己的代码副本；
2. Clone 你的 Fork 到本地并新建工作分支；
3. 实现模型，遵循 贡献指南 中的编码规范与约定（模型结构建议放在 ultralytics/models 下的独立子包，并按任务提供对应的 predictor / validator / trainer）；
4. 充分测试，既做单测也做流水线级联测（仓库 tests 目录 提供了可参考的测试骨架，例如 test_python.py 对各类模型入口做了端到端调用验证）；
5. 提交 Pull Request 到主仓库等待评审；
6. 评审与合入，满足项目标准后合入主线。

常见问题

最新的 Ultralytics YOLO 模型是哪个？

最新的是 YOLO26，2026 年 1 月发布。它具备端到端 NMS-free 推理、针对边缘部署的优化，并支持检测、实例分割、语义分割、深度估计、分类、姿态估计、OBB 以及开放词表版本。对于稳定生产负载，YOLO26 与 YOLO11 都是推荐选择。

补充背景：YOLO26 的这些特性——NMS-free 的 one-to-one 检测头、去除 DFL 的轻量回归头、MuSGD / Progressive Loss / STAL 训练配方等——在 yolo26 模型文档 中有完整展开，其完整训练超参数记录在 YOLO26 Training Recipe 指南 中。

我可以在自有数据上训练 YOLO 吗？

可以。使用 YOLO("yolo26n.pt").train(data="custom_data.yaml", epochs=100, imgsz=640) 即可，CLI 等价命令为 yolo train model=yolo26n.pt data='custom_data.yaml' epochs=100 imgsz=640。详细步骤见 Train 模式文档。

Ultralytics 支持哪些 YOLO 版本？

原生支持 YOLOv3、YOLOv5、YOLOv6、YOLOv8、YOLOv9、YOLOv10、YOLO11、YOLO12、YOLO26，以及 SAM 家族（SAM 3 / SAM 2 / SAM / MobileSAM / FastSAM）、YOLO-NAS、RT-DETR、YOLO-World 与 YOLOE。YOLOv4 仅作架构参考；YOLOv7 以导出后的 ONNX / TensorRT 模型运行。各模型的任务与模式见 Featured Models 对照表。

YOLO 模型能完成哪些类型的任务？

目标检测、实例分割、语义分割、深度估计、图像分类、姿态估计以及旋转框检测（OBB）。其中最新的 YOLO26 支持全部七类任务外加开放词表检测。具体任务差异与适用场景，建议从 任务文档 出发，按检测、分割、语义、深度、分类、姿态与 OBB 各自的目标与典型应用来甄别选择。