2026 年 9 月，Ultralytics 在 YOLO Vision 2026 公布了 YOLO27。它的规划覆盖四种规格和七类任务，但截至 2026 年 10 月 14 日仍未开放正式权重和代码。比“又多一个版本”更值得关注的，是视觉模型开始以家族化方式覆盖更多任务。对使用者来说，选型仍要从任务、数据和部署条件倒推。
一次模型预告，为什么值得讨论
Ultralytics 于 2026 年 9 月 13 日在 YOLO Vision 2026 公布 YOLO27。按官方规划，这一模型家族将覆盖 n、s、m、l 四种规格，以及目标检测、实例分割、语义分割、深度估计、分类、姿态估计和旋转框检测七类任务，共 28 个“规格 × 任务”组合。官方同时介绍了 YOLOE-27 与 Enterprise 方向，但它们也属于规划中的产品线，并非现阶段都已公开可用。[1] [2]
“一个家族覆盖多项视觉任务”背后的变化，不只是把模型名称排成一列。对工程团队而言，它意味着任务接口、模型版本和部署形式可能逐渐形成更统一的选择面。但在正式权重、代码和支持范围公开之前，公告更适合作为技术路线信号，而不是可立即迁移的生产方案。
指标很亮眼，口径必须一起看
Ultralytics 公布的初步 COCO 验证结果显示，YOLO27l 在 640 输入尺寸下的 mAP50–95 为 60.4。这个数字需要连同数据集、指标口径、输入尺寸和“初步结果”一起理解。它不代表所有规格、所有硬件或所有业务数据都能得到相同表现；官方模型文档也提示，结果仍可能随研发和正式发布而调整。
基准指标的价值，是帮助研究者在统一数据和评测条件下比较模型。它不能替代业务验收。真实项目会遇到不同类别定义、目标尺度、背景干扰和设备限制。一个在公开基准上更高的数字，并不能自动告诉我们它在特定游戏界面、商品货架或巡检图像上是否合适。
任务覆盖面扩大，选型顺序反而更重要
当一个家族同时覆盖检测、分割、姿态或旋转框任务，第一步不是比较哪个版本号更新，而是确认项目真正需要的输出。目标检测关心“目标在哪里、属于哪一类”；实例分割还需要目标轮廓；姿态估计输出关键点；旋转框则适合方向变化明显的目标。任务定义不同，数据标注方式和验收口径也不同。
之后再看数据量、目标尺寸、推理时延和设备资源。小规格可能更适合资源受限环境，大规格可能面向更高精度或生产 GPU 场景，但这些都是官方的定位描述，具体速度和精度仍需在目标环境实测。没有一档规格能跳过数据质量和部署验证。
YOLO27 的多任务规划提供的是一张行业路线图；对准备做目标检测的团队，选型仍要从“需要什么输出”开始。明确目标框和类别后，再把模型版本、样本结构和部署约束变成可复测的实验变量——这也正是我们把模型选择放回万图 YOLO 项目工作流的原因。
我们当前支持哪些模型版本
我们目前在万图 YOLO 中提供 YOLOv5、YOLOv8、YOLOv11 和 YOLOv12 预训练版本，以及 n、s、m、l、x 规格；首轮训练我们推荐从 YOLOv8s 开始。YOLO26、YOLO27、YOLOE-27 和 Enterprise 方向尚未接入我们的工作台。
在我们的浏览器工作台中，你可以组织图片、完成目标检测标注、训练模型、测试真实图片，再将模型转换为适合目标生态的格式。首次跑流程时，我们建议先用当前可选版本和默认参数建立基线，再比较测试结果，不必等待“最新模型”。
在万图 YOLO 中，项目素材页支持上传图片并手动划分训练集、验证集和测试集；完成标注后，可以在训练配置中选择当前支持的版本与规格。训练默认轮数为 100、图像尺寸为 640、批次大小自动设置；若要比较版本，建议保持数据分组和独立测试图片不变，每次只调整一个变量。
训练完成后，可在模型测试页上传多张未参与训练的真实图片，调整置信度、IoU 和测试尺寸（320、640、1280），结合漏检、误检判断是否补充数据或调整配置；确认方案后，还可在转换页导出 ncnn、ONNX、TorchScript 或 CoreML 等格式。这样，模型家族的变化最终能落到一条可执行、可复核的目标检测流程。
选型不是追新，而是把约束摆在台面上
如果已有项目依赖旧版本，迁移成本与兼容性要算进选型；如果目标设备是手机或边缘终端，模型体积和速度必须在目标设备上测；如果业务对漏检更敏感，就需要准备能够代表困难场景的独立测试图片。
模型家族越丰富，越需要清楚的选择依据。先把任务、数据与部署约束写清，再用同一组真实图片比较候选方案，才能把“版本更新”转化为项目价值。
从一批真实图片开始：我们建议你在万图 YOLO 中先用当前可选版本跑通标注、训练与测试，再根据未见图片上的错误决定下一步。产品支持范围请以页面最新说明为准。