Ultralytics YOLO-Depth
从一张 RGB 图像预测每个可见表面的距离。YOLO26 深度模型无需专用深度传感器、立体摄像头或激光雷达，即可提供以米为单位的 3D 空间感知能力。
YOLO26 深度估计模型
YOLO26-depth 模型根据一张 RGB 图像预测以米为单位的稠密深度图。五种模型尺寸涵盖从边缘部署到精度要求严苛的空间分析场景；已发布的权重在约 219 万张室内外图像上预训练，并在 NYU Depth V2 Eigen 测试集划分上评估。
pip install ultralyticsfrom 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（像素） | delta1 | abs_rel | RMSE (m) | 参数量（百万） | FLOPs（十亿） |
|---|---|---|---|---|---|---|
| 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 深度估计基准测试结果，使用 NYU Depth V2 Eigen 测试集划分，并采用多尺度和水平翻转 TTA 以及对数最小二乘对齐；参数量和 FLOPs 在 768 × 768 输入尺寸下测量。
深受全球领先机构信赖
我们的模型影响力
借助我们尖端的视觉 AI 模型，优化各行业流程。Ultralytics 为你带来速度、准确性和易用性。
Ultralytics YOLO 模型的演进
了解 Ultralytics YOLO 如何从实用的 YOLOv5 工作流演进到适用于边缘设备的 YOLO26 推理。
借助智能标注，提速至多 10 倍
Ultralytics Platform 为你提供图像标注工具，帮助你更快地构建高质量数据集。从智能标注到精准的手动编辑，这些功能旨在缩短图像标注时间，同时不牺牲质量。
- SAM 驱动的智能标注：一键生成掩码和边界框。
- 全面覆盖 AI 任务：目标检测、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 等格式。
- 团队审核与版本管理：协作过程清晰可见，步步有序。
以更低成本使用顶级 GPU 训练
26 款 NVIDIA GPU，每小时仅需 $0.24 起——涵盖 Ampere 到 Blackwell。无加价、无最低消费、无承诺。
探索行业解决方案
了解各团队如何在生产环境中应用 Ultralytics 计算机视觉。
农业
汽车
医疗保健
物流
制造业
零售
机器人
农业
汽车
医疗保健
物流
制造业
零售
机器人
农业
汽车
医疗保健
物流
制造业
零售
机器人
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 图像预测以米为单位的稠密逐像素深度图。官方预训练检查点提供五种尺寸，从 YOLO26n-depth 到 YOLO26x-depth。
深度信息可以将 2D 检测转化为 3D 感知：了解障碍物有多远、物体实际有多大，以及场景的布局方式。使用一台标准摄像头即可完成这项工作，无需承担激光雷达和立体摄像设备的成本、标定和集成负担，因此空间感知能在机器人、移动设备及日常摄像系统中切实应用。
每次预测都会返回一张与输入图像对齐的稠密浮点深度图。通过
result.depth.data访问该深度图；其中的值表示以米为单位的距离，可转换为 NumPy 数组，用于 3D 重建、导航、测量或可视化。完整的结果规范请参阅深度预测指南。可以。为每张 RGB 图像配对一张以米为单位的 float32 深度图，然后使用标准 Ultralytics 训练模式微调预训练的 YOLO26-depth 检查点。官方指南建议在将已发布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、OpenVINO、TensorRT 和 CoreML 等格式。随后，你可以通过相同的 Ultralytics 预测工作流，在边缘设备、移动设备或服务器硬件上运行导出模型。
使用 Ultralytics YOLO-Depth 构建应用
使用 Ultralytics Platform 训练、验证、导出和部署 YOLO26 深度估计模型。