Ultralytics YOLO 是 GitHub 上星標超過 60,000 顆的開源電腦視覺框架，由 Ultralytics 團隊維護，以 YOLO26、YOLO11 與 YOLOv8 系列模型支援物件偵測、實例分割、語意分割、影像分類、姿態估計與物件追蹤等多項任務，成為即時視覺應用領域最廣泛採用的標準框架之一。

Ultralytics YOLO 是 GitHub 星標逾 6 萬的開源電腦視覺框架，以 YOLO 系列模型支援偵測、分割、姿態估計與追蹤，YOLO26n 在 T4 GPU 推理僅需 1.7 毫秒。

Ultralytics YOLO README 開頭（項目名稱 Ultralytics YOLO + 標語 "Open vision, built for the real world" + 多語言連結 + 下載量徽章 + YOLO26 性能比較圖）

Ultralytics YOLO 是什麼？

Ultralytics YOLO 是一套以「You Only Look Once」架構為核心的開源電腦視覺框架，由 Ultralytics 公司開發，2022 年 9 月在 GitHub 開源，並持續迭代至最新的 YOLO26 系列。框架以 Python 為主，建基於 PyTorch，提供統一 API 覆蓋訓練、驗證、推論與部署流程，開發者可以透過 CLI 或 Python 介面快速完成物件偵測等任務。

Ultralytics YOLO 是 Ultralytics 開發的開源電腦視覺框架，以 YOLO 架構提供偵測、分割、姿態估計等任務，Python 優先並建基於 PyTorch，2022 年開源至今。

YOLO 系列的名稱源於其一次前向傳播即可完成偵測的設計哲學，與傳統兩階段偵測器相比，在速度上具備先天優勢。Ultralytics 團隊將此架構商品化，建立完整的工具鏈：從模型倉庫、訓練配方、基準測試到企業授權，形成一個兼顧開源社群與商業客戶的完整生態。

Ultralytics YOLO 有哪些核心技術亮點？

Ultralytics YOLO 的第一項亮點是完整的任務覆蓋。框架除了一般的物件偵測，亦支援實例分割、語意分割、影像分類、姿態估計、物件追蹤與 OBB 方向性邊界框偵測，最新版本更加入深度估計任務，單一框架即可應對多種視覺應用場景，大幅降低開發者學習多套工具的成本。

Ultralytics YOLO 支援偵測、分割、分類、姿態估計、追蹤與深度估計等多種任務，YOLO26 系列在 COCO 基準達到 57.5 mAP，T4 GPU 推理僅需 1.7 毫秒。

第二項亮點是 YOLO26 的效能表現。根據官方基準數據，YOLO26n 在 COCO val2017 資料集達到 40.9 mAP，CPU ONNX 推理約 38.9 毫秒，T4 GPU 搭配 TensorRT 僅需 1.7 毫秒；旗艦型號 YOLO26x 則達到 57.5 mAP，參數量 55.7M。這種速度與準確度的平衡，使其成為邊緣裝置與即時系統的首選。

第三項亮點是極低的採用門檻。框架提供 yolo CLI 指令，用戶只需一行指令即可載入預訓練模型進行預測，Python API 亦以三行程式碼完成模型載入、訓練與驗證。模型權重會於首次使用時自動下載，並支援 ONNX、TensorRT 等多種格式匯出，方便部署至不同硬件平台。

如何快速開始使用 Ultralytics YOLO？

開始使用 Ultralytics YOLO 非常直接，首先在 Python 3.8 以上環境安裝套件，指令為 pip install ultralytics，套件會自動帶入 PyTorch 等必要依賴。安裝完成後，用戶可以透過 CLI 以 yolo predict model=yolo26n.pt source='bus.jpg' 一行指令，對圖片執行物件偵測並輸出標註結果。

使用 Ultralytics YOLO 只需 pip install ultralytics，再以 yolo predict 一行指令載入預訓練模型執行偵測，Python API 亦可以三行程式碼完成訓練與驗證。

對於需要訓練自訂模型的用戶，框架提供完整的訓練流程：準備 COCO 格式資料集與設定檔後，以 model.train(data="coco8.yaml", epochs=100) 即可開始訓練，之後以 model.val() 驗證效能，再以 model.export(format="onnx") 匯出模型部署。這種端到端設計令初學者與生產團隊都能快速上手。

Ultralytics YOLO 的開源生態與商業化路徑如何？

Ultralytics YOLO 的開源生態非常活躍，官方提供 14 種語言的文件，並經營 Discord、Reddit 與官方論壇等社群，配合 Weights & Biases、Comet ML、Roboflow 與 Intel OpenVINO 等夥伴整合，形成完整的開發者工具鏈。項目採用 AGPL-3.0 授權，容許研究與教學自由使用，同時提供企業授權方案，讓商業用戶可以繞過 AGPL 的開源義務，將模型整合至內部工具與生產系統。

Ultralytics YOLO 採用 AGPL-3.0 開源授權，並提供企業授權支援商業部署，社群涵蓋 Discord、Reddit 與官方論壇，夥伴整合包括 W&B、Roboflow 與 OpenVINO。

在市場影響力方面，該項目每月套件下載量超過 2 億次，GitHub 星標逾 6 萬，Fork 數超過 1.1 萬，長期佔據趨勢榜前列。從自駕車、智慧製造到零售分析，YOLO 系列已成為業界事實標準，Ultralytics 亦透過雲端平台與企業授權建立可持續的商業模式，證明開源專案可以同時服務社群與企業客戶。

60,645
GitHub Stars
11,586
Forks
AGPL-3.0
開源授權
Python
主要語言
2022-09
專案創建
1.7ms
T4 推理延遲

Ultralytics YOLO GitHub 首頁頂部（repo 名稱 ultralytics/ultralytics + 60.6k Star + 11.6k Fork + 描述與 About 側欄）

Ultralytics YOLO Contributors 統計頁（repo 名稱 + 60.6k Star + 按週提交量圖表 + 主要貢獻者排名）

出處連結有哪些？

本文的資料來源為 GitHub 上的 ultralytics/ultralytics 官方儲存庫，包含完整的 README 文件、YOLO26 模型基準數據、安裝指引與使用範例。讀者可以前往 https://github.com/ultralytics/ultralytics 查看原始程式碼，或參閱官方文件網站 docs.ultralytics.com 了解更多技術細節。

Ultralytics YOLO 的原始程式碼、基準數據與使用範例存放於 GitHub 的 ultralytics/ultralytics 儲存庫，官方文件位於 docs.ultralytics.com。

常見問題有哪些？

YOLO26 與 YOLOv8 有何分別？

YOLO26 是 Ultralytics 最新一代模型，在 COCO 基準的 mAP 與推理速度均優於 YOLOv8，並加入深度估計等新任務支援，架構上採用更高效的骨幹與訓練配方。

Ultralytics YOLO 可以商用嗎？

AGPL-3.0 授權容許研究與教學使用，商業部署需購買企業授權，以繞過 AGPL 的開源義務，Ultralytics 提供涵蓋內部工具與生產系統的授權方案。

Ultralytics YOLO 需要什麼硬件？

CPU 即可執行推論，YOLO26n 在 CPU 約需 38.9 毫秒；GPU 可大幅加速，T4 搭配 TensorRT 僅需 1.7 毫秒，訓練則建議配備 NVIDIA GPU。

總結：Ultralytics YOLO 為何值得關注？

Ultralytics YOLO 以逾 6 萬星標與 2 億月下載量，確立其電腦視覺領域的標準地位，YOLO26 的速度與準確度表現，使其成為即時視覺應用的可靠選擇。

Ultralytics YOLO 透過持續迭代與開放策略，將物件偵測技術從學術研究帶入工業應用，其 YOLO26 系列的效能表現與完整的任務覆蓋，令它成為開發者建構視覺系統時的首選框架。對於關注電腦視覺與即時 AI 應用的讀者而言，這個項目值得深入了解與持續追蹤。