实时 YOLO 对象追踪
通过持久化 ID 跟随视频中的每一个对象。Ultralytics YOLO26 追踪结合了实时检测与成熟的追踪器，为实时流媒体上的计数、分析和监控提供支持。
基于 YOLO26 的追踪
追踪功能在任何 YOLO26 模型之上添加持久化 ID —— 只需一次方法调用，即可将检测器转换为使用 BoT-SORT 或 ByteTrack 的多目标追踪器。检测器的速度决定了追踪的吞吐量，因此下方的基准测试结果对于实时流媒体至关重要。
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 model
model = YOLO("yolo26n.pt")
# Run inference
results = model.track("video.mp4")| 模型 | 尺寸 (px) | mAP 50-95 | mAP 50-95 (e2e) | CPU ONNX (ms) | T4 TensorRT (ms) | 参数量 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 40.1 | 38.9 ± 0.7 | 1.7 ± 0.0 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 47.8 | 87.2 ± 0.9 | 2.5 ± 0.0 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 52.5 | 220.0 ± 1.4 | 4.7 ± 0.1 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 54.4 | 286.2 ± 2.0 | 6.2 ± 0.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 56.9 | 525.8 ± 4.0 | 11.8 ± 0.2 | 55.7 | 193.9 |
来自 Ultralytics 文档的 YOLO26 检测基准测试；追踪器运行在这些模型之上。
深受全球领先组织信赖
我们模型的影响力
利用我们尖端的视觉 AI 模型简化跨行业的流程。由 Ultralytics 提供支持，兼具速度、准确性和易用性。
Ultralytics YOLO 模型的发展历程
了解 Ultralytics YOLO 如何从实用的 YOLOv5 工作流演进为边缘就绪的 YOLO26 推理。
通过快速、实用的 PyTorch 工作流程，让实时目标检测变得触手可及。
扩展了跨检测、分割、分类、姿态和 OBB 的统一工作流程。
在保持熟悉的 Ultralytics 工作流程的同时，提高了准确性、速度和效率。
引入了端到端推理和针对高效边缘部署优化的架构。
利用智能标注，标注速度提升至多 10 倍
Ultralytics Platform 为你提供图像标注工具，助你更快地构建高质量数据集。从智能标注到精确的手动编辑，这些功能旨在缩短图像标注时间，同时保证高质量。
- 基于 SAM 的智能标注：一键生成掩码和边界框（BBox）。
- 全面的 AI 任务覆盖：检测、实例分割、语义分割、分类、姿态估计、OBB。
- 通用格式支持：你可以选择 YOLO、COCO、VOC 等格式。
- 团队评审与版本控制：每一步都能实现清晰的协作。
以更低成本在最好的 GPU 上进行训练
26 款 NVIDIA GPU，价格低至 $0.24/小时 — 从 Ampere 到 Blackwell。无加价、无最低消费、无承诺。
随处部署
导出为 20 种格式，并在边缘端、云端和移动端进行部署。
探索行业解决方案
了解团队如何在生产环境中应用 Ultralytics 计算机视觉。
农业 AI
汽车 AI
医疗保健 AI
物流 AI
制造业 AI
零售 AI
机器人 AI
农业 AI
汽车 AI
医疗保健 AI
物流 AI
制造业 AI
零售 AI
机器人 AI
农业 AI
汽车 AI
医疗保健 AI
物流 AI
制造业 AI
零售 AI
机器人 AI
常见问题
Multi-object tracking 会检测每一帧视频中的对象并将其跨帧链接，为每个对象分配一个持久化 ID。这种跨时间的身份识别使得统计唯一对象、测量停留时间、分析轨迹以及在特定对象跨越线条或进入区域时触发事件成为可能。
Ultralytics 开箱即用支持 BoT-SORT 和 ByteTrack，只需在 track mode 中使用单个参数即可选择。两者都将检测器的输出与基于运动的关联相结合；BoT-SORT 是默认算法，而 ByteTrack 则是一种强大的轻量级替代方案。追踪器行为可以通过 YAML 文件进行配置。
追踪功能可在任何 Ultralytics 检测、分割、姿态或 OBB 模型之上运行。Ultralytics YOLO26 是推荐的基础模型：其实时速度保证了追踪在实时流中的流畅性，而纳秒级的大小使得边缘追踪变得实用。
可以。通过 train mode 或在 Ultralytics Platform 上用你自己的类训练一个检测器，然后使用你训练的权重调用 track 模式。追踪器会跟随你的模型所检测到的任何内容，因此自定义追踪不需要额外的追踪器训练。
典型的应用包括人员和车辆计数、零售和场地分析、运动员追踪、交通监控以及在限制区域内跟随对象的安全系统。由于 Ultralytics 追踪是实时运行的，这些系统不仅适用于录制的视频，也适用于实时摄像机馈送。
使用 Ultralytics 构建对象追踪
使用 Ultralytics Platform 训练 YOLO26 模型并实时追踪带有持久化 ID 的对象。