Ultralytics

数据分析更新于 2026年10月4日

Ultralytics 是一个计算机视觉中心，基于 YOLO 架构，用于实时目标检测、跟踪与训练。

输入ImageVideoDocument输出CodeAutomationStructured Data

通过我们的链接注册时，我们可能会获得佣金。这不会影响我们的评测。

什么是 Ultralytics？

Ultralytics 是一个以 YOLO（You Only Look Once）架构为核心的计算机视觉中心，用于实时检测和跟踪对象。它不仅仅局限于简单的边界框，还能处理姿态估计和图像分割，无需经历非极大值抑制（NMS）带来的常见后处理延迟。虽然命令行工具和 Python API 使其便于用于自动化脚本，但基于网络的 Ultralytics 平台提供了一个无需编码的空间，可以使用 AI 辅助画笔标注数据，并在云端 GPU 上训练模型。这种设置免去了管理本地依赖项和基础设施的麻烦，尽管向专用、无 NMS 模型的转变意味着你可能需要重新思考适用于旧硬件的部署流程。这一点很重要，因为它让你能够在几小时内（而不是几周）将一个原始图像文件夹变成可用于生产的 API。

要点： 本地集成使用 Python 包，但如果你需要借助 SAM 驱动的自动化来加速数据标注，请切换到该平台。

如何开始使用 Ultralytics？

首先在虚拟环境中运行 pip install ultralytics。这可以保持系统依赖项的整洁，避免经常破坏计算机视觉项目的版本冲突。如果你使用 Linux 或 macOS，请通过检查 yolo 命令的 CLI 来验证安装。这是确认你的 GPU 是否真正被用于加速的最快方法。适当的环境隔离可确保你在尝试不同模型版本时本地设置不会崩溃。
该库在你提供 data.yaml 文件时效果最佳。这个小型配置文件准确地告诉模型你的训练和验证图像位于何处，并将你的类别名称映射到特定的 ID 编号。如果你漏掉验证集路径或文件夹结构稍有差错，训练循环会在第一个轮次（epoch）结束前就失败。尽早把路径设对，可以省下数小时排查莫名其妙错误的时间，因为模型需要一个清晰的数据集地图，以便在训练期间计算准确度指标。
选择像 YOLO11n 这样的预训练模型来初始化你的权重。从检查点开始而不是随机噪声，可以节省数天的计算时间，并且所需的自定义图像明显更少即可达到不错的准确度。你可以通过一条命令来触发训练，如 model.train(data=’data.yaml’, epochs=100, imgsz=640)。使用标准的 640px 分辨率可以在检测速度与在画面中发现较小物体的能力之间取得平衡。你可以在几分钟内在消费级硬件上运行一个可用的原型。
训练完成后，权重会存储在 runs 目录中。你可以立即对新的视频文件或实时摄像头流进行推理，以查看模型如何处理真实世界的运动。我发现，在原始手机视频上进行测试通常会揭示在静态训练集中不明显的光照或角度偏差。实时观看边界框出现能立即反馈你的数据集是否足够多样化，而实时测试是证明你的模型在理想化的数据集之外也能正常工作的唯一方法。

要点： 始终使用 data.yaml 文件让图像路径井井有条，防止训练循环找不到你的标签。

适合哪些人？

需要从原始图像转变为经过训练的 YOLO 模型、又不想管理零散工具链的计算机视觉工程师

这通过将标注和部署集成到一个浏览器标签页中，节省了数小时的环境设置时间。

缺乏专职 MLOps 人员的小型 AI 初创团队

该平台承担了 GPU 编排的繁重工作，这意味着你可以在无需自己拥有硬件的情况下，在 RTX 4090 上训练 YOLOv8 模型。

正在构建自助结账或库存跟踪系统的零售科技开发人员

你可以将模型直接部署到边缘设备，以保持处理本地化并降低延迟。

在目标检测方面进行迭代实验的学术研究人员

该平台允许在 v5 和 v11 等 YOLO 版本之间快速比较，帮助你为论文找到合适的准确度与速度比。

想要构建自定义视觉应用的无代码爱好者

拖放界面让你无需编写一行 Python 代码即可标注数据集并触发训练运行。

希望在装配线上实现自动化缺陷检测的制造质量负责人

它非常适合识别明显的裂纹或错位，但如果你的数据需要超专业的医疗领域知识，则不太理想。

经验法则： 如果你想要通往生产就绪 YOLO 模型的最快路径，请选择 Ultralytics；但如果你需要对底层训练循环拥有完全控制权，还是用自定义脚本。

Ultralytics 定价

Ultralytics 处于开源利他主义和严格商业许可之间的一个奇怪空间。你可以免费下载代码并随意折腾，但一旦你想在商业产品中隐藏你的源代码，AGPL-3.0 许可证就会成为一大障碍。大多数开发者一开始都是免费使用，然后在他们的法务团队看到“著佐权”（copyleft）要求时才碰壁。

Free 方案 - 每月 0 美元

100 GB 存储空间和 3 个并发云端训练

20 种云端 GPU 类型，包括 RTX 5090 和 H100

包含 5 至 25 美元的起始算力积分

这让你无需输入信用卡即可进行原型设计，但它会强制你保持项目公开或开源整个技术栈。

好处是：你可以在花一分钱之前测试 YOLOv8 是否真的能检测到你的特定对象。

Pro 方案 - 每席位每月 29 美元（或每年 290 美元）

500 GB 存储空间和 10 个并发训练

每个席位每月 30 美元的积分额度

可使用 H200 和 B200 GPU

扩展到 500 个模型意味着你不必每周五下午删除旧实验。

已超越基础实验阶段的团队可以获得更多的计算余量和更快的芯片。

Enterprise 方案 - 定制定价（需询价）

无限模型、存储和部署

SSO/SAML 和专属上手引导

适用于闭源应用的商业许可证

据报道，这些许可证的年费可能从约 5,000 到 20,000 美元不等，具体取决于公司规模。

这是在不暴露专有代码的情况下在专有应用中使用该技术的唯一途径。

要点： 做研究用 Free 方案就够了，但一旦计划销售产品，就要为 Enterprise 许可证预留预算。

Ultralytics 主要功能

实时 YOLO 处理

你可以在实时视频流中检测和跟踪对象，而不会出现通常会破坏边缘部署的延迟。系统能够即时响应交通或工厂车间等动态环境中的变化。

要点： 如果你的硬件缺乏专用 GPU，请使用 small 或 nano 版本的模型。

统一的计算机视觉中心

不再需要在用于标注、训练和部署的独立工具之间来回切换。在一个浏览器标签页中管理一切可避免在拼接零散 Python 脚本时常见的版本冲突和环境难题。你花在基础设施管理上的时间会大幅减少。

要点： 尽早将数据集整理到清晰的项目文件夹中，以避免随着规模扩大而工作空间变得混乱。

多任务通用性。该平台使用相同的核心架构处理目标检测、姿态估计和图像分割

你可以为健身应用绘制人体关键点，或为医学影像勾勒特定像素，而无需重新学习新的框架。你的团队只需掌握一个工具链即可应对各种 AI 项目。

要点： 仔细检查你的标签，因为重叠的对象有时会混淆姿态关键点。

基于云的训练。将繁重的 GPU 任务卸载到云端，避免本地机器因热节流而降速

这让你可以在旅行途中或使用低功耗笔记本电脑时对模型进行迭代，不过你需要管理你的算力积分。对于没有昂贵服务器机架的团队来说，高端 AI 开发也变得切实可行。

要点： 在订阅付费方案之前，先从一个免费的公开项目开始测试训练速度。

灵活的部署选项。将你训练好的模型导出为 ONNX、CoreML 或 TensorFlow Lite 等格式，用于移动端和网页应用

转换过程会自动处理数学转换，使模型在智能手机上运行流畅，并缩短了从研究用的 Notebook 到生产就绪应用的路径。

要点： 转换后请验证准确度，因为某些量化步骤可能会略微降低精度。

Ultralytics 优缺点

优点

Ultralytics 把标注和部署收进同一个浏览器标签页，让从原始图片到可用 YOLO 模型的过程变得简单。这样你就能把目标检测脚本部署到边缘设备上，不必自建服务器，也不用跟 CUDA 驱动较劲。我注意到新版本去掉了非极大值抑制（NMS），CPU 延迟明显下降，在低功耗硬件上做实时跟踪更快了。这一点很重要，因为它把花在搭环境上的时间压了下来，让你专注于模型精度。

要点： 先用 Python 命令行快速验证安装，再去搭建复杂流水线。

缺点

这份简便背后是沉重的许可权衡：你要么把整个应用开源，要么支付一笔不公开金额的企业费用。面对进阶场景，文档往往显得单薄，尤其是自定义编解码器支持或主干网络层的深度微调。API 虽然好上手，但底层代码库不易通读，也不好为小众研究需求改造。这套软件有时像个“黑箱”，限制了你对内部层的掌控；若不谨慎调超参数，容易过拟合。对付不起定制报价的小团队来说，严苛的许可会挡住商业发布。

要点： 尽早核对 AGPL-3.0 的要求，确认你的商业模式与其条款相容。