什么是 Ultralytics YOLO-Depth？

Ultralytics YOLO-Depth 是用于单目深度估计的 YOLO26 模型系列：从一张普通 RGB 图像中预测以米为单位的密集逐像素深度图。官方预训练检查点有五种尺寸可选，从 YOLO26n-depth 到 YOLO26x-depth。

单目深度估计为何重要？

深度信息将 2D 检测转化为 3D 理解：例如障碍物距离多远、物体实际有多大，以及场景是如何布局的。通过单一标准摄像头实现这一功能，避免了激光雷达和立体视觉系统带来的成本、校准和集成负担，使得空间感知在机器人、移动设备和日常摄像头系统中变得切实可行。

YOLO26 深度模型返回什么？

每次预测都会返回一张与输入图像对齐的密集浮点型深度图。通过 result.depth.data 即可访问；其值表示以米为单位的距离，并可转换为 NumPy 数组用于 3D 重建、导航、测量或可视化。查看深度预测指南以获取完整的结果契约。

我可以在自己的数据上训练 YOLO-Depth 吗？

可以。将每张 RGB 图像与以米为单位的 float32 深度图配对，并使用标准的 Ultralytics 训练模式对预训练的 YOLO26-depth 检查点进行微调。官方指南建议在将发布的权重适配到自定义深度领域时，使用 AdamW 和较低的学习率。

如何部署 YOLO26 深度模型？

使用导出模式将 YOLO26-depth 检查点转换为 ONNX、TensorRT、CoreML 和 OpenVINO 等格式。然后，你可以在边缘设备、移动设备或服务器硬件上，通过相同的 Ultralytics 预测工作流运行导出的模型。

Ultralytics YOLO

Ultralytics YOLO-Depth

Q: 什么是 Ultralytics YOLO-Depth？

Ultralytics YOLO-Depth 是用于 单目深度估计 的 YOLO26 模型系列：从一张普通 RGB 图像中预测以米为单位的密集逐像素深度图。官方预训练检查点有五种尺寸可选，从 YOLO26n-depth 到 YOLO26x-depth。

Q: 我可以在自己的数据上训练 YOLO-Depth 吗？

可以。将每张 RGB 图像与以米为单位的 float32 深度图配对，并使用标准的 Ultralytics 训练模式 对预训练的 YOLO26-depth 检查点进行微调。官方指南建议在将发布的权重适配到自定义深度领域时，使用 AdamW 和较低的学习率。

Q: 如何部署 YOLO26 深度模型？

使用 导出模式 将 YOLO26-depth 检查点转换为 ONNX、TensorRT、CoreML 和 OpenVINO 等格式。然后，你可以在边缘设备、移动设备或服务器硬件上，通过相同的 Ultralytics 预测工作流运行导出的模型。

从一张 RGB 图像中预测每个可见表面的距离。YOLO26 深度模型在无需专用深度传感器、立体相机或激光雷达的情况下，即可增加公制 3D 空间感知能力。

在平台上开始深度估计浏览深度估计文档

YOLO26 深度估计模型

YOLO26-depth 模型可以根据一张 RGB 图像预测以米为单位的密集深度图。五种模型尺寸涵盖了从边缘部署到对精度要求极高的空间分析等各种需求，发布的权重基于约 219 万张室内和室外图像进行预训练，并在 NYU Depth V2 Eigen 测试集上进行了评估。

pip install ultralytics

from ultralytics import YOLO

# Load a YOLO26 depth model
model = YOLO("yolo26n-depth.pt")

# Predict metric depth at the model training resolution
results = model("image.jpg", imgsz=768)
depth_map = results[0].depth.data.cpu().numpy()

模型	尺寸 (px)	delta1	abs_rel	RMSE (m)	参数量 (M)	FLOPs (B)
YOLO26n-depth	768	0.882	0.109	0.414	6.4	46.9
YOLO26s-depth	768	0.896	0.104	0.399	13.2	67.9
YOLO26m-depth	768	0.921	0.089	0.364	23.3	130.7
YOLO26l-depth	768	0.930	0.083	0.351	27.7	157.2
YOLO26x-depth	768	0.933	0.080	0.344	57.0	302.0

YOLO26 深度估计基准测试基于 NYU Depth V2 Eigen 测试集，采用了多尺度和水平翻转 TTA 以及对数最小二乘对齐；参数和 FLOPs 均在 768 × 768 分辨率下测量。

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。

—

GitHub 星标

—

下载量

—

Ultralytics YOLO 日均使用量

—

开源贡献者

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。

2020

Ultralytics YOLOv5

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。

2023

Ultralytics YOLOv8

扩展了跨检测、分割、分类、姿态和 OBB 的统一工作流程。

2024

Ultralytics YOLO11

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。

2026

Ultralytics YOLO26

引入了端到端推理和针对高效边缘部署优化的架构。

Image annotation interface using smart segmentation to label an object.

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：你的 YOLO、COCO 及更多选择。
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。

久经考验的数据中心和工作站 GPU

高效推理和实时 AI

专为大规模训练而构建

Blackwell新功能

最新一代，极致性能

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。

常见问题

Ultralytics YOLO-Depth 是用于单目深度估计的 YOLO26 模型系列：从一张普通 RGB 图像中预测以米为单位的密集逐像素深度图。官方预训练检查点有五种尺寸可选，从 YOLO26n-depth 到 YOLO26x-depth。
深度信息将 2D 检测转化为 3D 理解：例如障碍物距离多远、物体实际有多大，以及场景是如何布局的。通过单一标准摄像头实现这一功能，避免了激光雷达和立体视觉系统带来的成本、校准和集成负担，使得空间感知在机器人、移动设备和日常摄像头系统中变得切实可行。
每次预测都会返回一张与输入图像对齐的密集浮点型深度图。通过 result.depth.data 即可访问；其值表示以米为单位的距离，并可转换为 NumPy 数组用于 3D 重建、导航、测量或可视化。查看深度预测指南以获取完整的结果契约。
可以。将每张 RGB 图像与以米为单位的 float32 深度图配对，并使用标准的 Ultralytics 训练模式对预训练的 YOLO26-depth 检查点进行微调。官方指南建议在将发布的权重适配到自定义深度领域时，使用 AdamW 和较低的学习率。
使用导出模式将 YOLO26-depth 检查点转换为 ONNX、TensorRT、CoreML 和 OpenVINO 等格式。然后，你可以在边缘设备、移动设备或服务器硬件上，通过相同的 Ultralytics 预测工作流运行导出的模型。

使用 Ultralytics YOLO-Depth 进行构建

使用 Ultralytics Platform 训练、验证、导出和部署 YOLO26 深度估计模型。

在平台上免费开始