[中文](https://docs.ultralytics.com/zh) | [한국어](https://docs.ultralytics.com/ko) | [日本語](https://docs.ultralytics.com/ja) | [Русский](https://docs.ultralytics.com/ru) | [Deutsch](https://docs.ultralytics.com/de) | [Français](https://docs.ultralytics.com/fr) | [Español](https://docs.ultralytics.com/es) | [Português](https://docs.ultralytics.com/pt) | [Türkçe](https://docs.ultralytics.com/tr) | [Tiếng Việt](https://docs.ultralytics.com/vi) | [العربية](https://docs.ultralytics.com/ar)
# Ultralytics YOLO npm Inference
[English](README.md) | [简体中文](README.zh-CN.md)
[](https://www.npmjs.com/package/@ultralytics/yolo)
[](https://www.npmjs.com/package/@ultralytics/yolo)
[](https://github.com/ultralytics/inference/actions/workflows/ci.yml)
[](https://github.com/ultralytics/inference/blob/main/LICENSE)
[](https://arxiv.org/abs/2606.03748)
[](https://discord.com/invite/ultralytics)
[](https://community.ultralytics.com)
[](https://www.reddit.com/r/Ultralytics/)
直接在浏览器中运行 [Ultralytics](https://www.ultralytics.com) YOLO 模型，无需服务器，也无需
Python。本库基于 **WebGPU**（并自动回退到 CPU/wasm），支持检测、分割、姿态、分类、OBB、语义分割和
深度估计，接口是一个小巧的 TypeScript API，内置的 `annotate()` 可直接把结果绘制到 canvas 上。
```ts
import { YOLO, annotate } from "@ultralytics/yolo";
const model = await YOLO.load("/models/yolo26n.onnx");
const results = await model.predict("bus.jpg");
await annotate(document.querySelector("canvas"), "bus.jpg", results);
```
本包**仅为库**（不含 CLI，CLI 属于原生 Rust crate）。底层引擎是编译为 WebAssembly 的
`ultralytics-inference` Rust crate。推理通过
[`ort-web`](https://ort.pyke.io/backends/web) 运行在
[ONNX Runtime Web](https://onnxruntime.ai/docs/tutorials/web/) 上，所有前处理/后处理、
配色和姿态骨架都来自同一份共享 Rust 代码，因此结果和视觉效果与原生及 Python 路径保持一致。
## 📦 安装
```bash
npm install @ultralytics/yolo
# 或
pnpm add @ultralytics/yolo
yarn add @ultralytics/yolo
bun add @ultralytics/yolo
```
本包以 ES module 形式发布并自带 TypeScript 类型，可用于任意现代打包工具（Vite、webpack、
esbuild、Bun），也可直接通过 [esm.sh](https://esm.sh/@ultralytics/yolo) 等 CDN 使用。
## 🚀 快速开始
```ts
import { YOLO, annotate } from "@ultralytics/yolo";
// 首次使用时加载模型并初始化 WebGPU + ONNX Runtime Web。
const model = await YOLO.load("/models/yolo26n.onnx");
const results = await model.predict("bus.jpg");
for (const box of results.boxes) {
console.log(box.name, box.conf.toFixed(2), [box.x1, box.y1, box.x2, box.y2]);
}
// 一次调用即可把框、OBB、姿态和标签绘制到 canvas（无需自己写 canvas 代码）。
await annotate(document.querySelector("canvas"), "bus.jpg", results);
```
`predict()` 接受 URL/路径、`Blob`/`File`、原始编码图片字节（`Uint8Array`/`ArrayBuffer`）、
`ImageData`、`HTMLImageElement`、`HTMLCanvasElement`、`HTMLVideoElement` 或 `ImageBitmap`。
```ts
const results = await model.predict(canvas, { conf: 0.25, iou: 0.7 });
console.log(model.device); // "webgpu" 或 "cpu"
```
`YOLO.load` 同样接受 `Blob`/`File`，因此可以加载用户拖入或选择的模型。后端根据字节内容自动检测，
所以同一个调用可同时处理 `.onnx` 和 `.tflite`：
```ts
const model = await YOLO.load(fileInput.files[0]); // 拖入/选择的 .onnx 或 .tflite
```
### 摄像头 / 视频
可绘制的输入源（`