Tiger AI Platform平台接入 YOLO-Master五类视觉任务一站式推理指南文章目录Tiger AI Platform平台接入 YOLO-Master五类视觉任务一站式推理指南前言一、YOLO-Master 技术背景为什么选它1.1 核心特性1.2 代表性模型性能COCO 检测二、TigerPro 接入实现概览三、核心推理模块yolo_master.py3.1 加载与共存机制3.2 封装的推理接口四、预置 7 个模型Seed 自动入库五、API 路由设计六、前端改造要点6.1 模型管理6.2 功能页面七、部署与使用指南7.1 环境准备MoE 权重必需7.2 启动与验证三步7.3 功能页与推荐模型八、与标准 Ultralytics 的对比选型九、常见问题与排查Q1模型管理看不到 yolo-master 条目Q2拉取权重失败Q3推理报错 No module named ultralytics 或版本冲突Q4OBB 如何接到业务页如车辆追踪十、后续扩展方向十一、总结参考资料前言YOLO-Master 是腾讯优图实验室开源的实时目标检测框架已被CVPR 2026接收。其核心创新在于将Efficient Sparse Mixture-of-ExpertsES-MoE深度融入 YOLO 架构通过实例级动态路由实现「按需计算」——简单场景低算力、复杂场景高算力在 COCO 等基准上取得了精度与延迟的更优平衡。对于工程落地而言光有 SOTA 模型还不够还需要与业务平台打通模型注册、权重管理、多任务 API、前端选模、视频流推理。本文详细介绍TigerPro 视觉平台如何完整接入 YOLO-Master覆盖检测、分割、姿态、OBB 旋转框、分类五类任务并提供从环境准备到功能页使用的全流程指南。开源Tiger AI Plateform项目采用Apache License 2.0开源协议发布请合法合规使用github地址https://github.com/5758703/一、YOLO-Master 技术背景为什么选它1.1 核心特性特性说明ES-MoE 架构每个输入实例动态选择专家子网络实现自适应计算Ultralytics 兼容基于 Ultralytics 分叉训练/导出接口与 YOLO 生态一致多任务支持检测、实例分割、姿态估计、OBB、图像分类部署友好支持 ONNX、TensorRT 等导出路径EsMoE-N 在 4090 上可达 640 FPS1.2 代表性模型性能COCO 检测模型参数量GFLOPsmAP50-954090 TensorRT FPSYOLO-Master-EsMoE-N2.68M8.70.427640.18YOLO-Master-EsMoE-S9.69M29.10.489423.87YOLO-Master-v0.1-N7.54M10.10.429528.84权重发布地址YOLO-Master-v26.02 Release二、TigerPro 接入实现概览TigerPro 在不破坏现有 Ultralytics 流水线的前提下将 YOLO-Master 作为独立推理库libraryyolo-master接入实现「一套平台、两套引擎、五类任务」。┌──────────────────────────────────────────────────────────────┐ │ TigerPro 前端 │ │ /ai/image /ai/video /ai/pose /ai/segment /ai/imgcls │ └────────────────────────────┬─────────────────────────────────┘ │ modelApi ┌────────────────────────────▼─────────────────────────────────┐ │ routes/ai_model.py统一 API 路由 │ │ /detect /pose /segment /classify-image /detect-video │ └────────────────────────────┬─────────────────────────────────┘ │ ┌──────────────────┼──────────────────┐ ▼ ▼ ▼ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │ ultralytics │ │ yolo_master │ │ 其他引擎 │ │ (默认库) │ │ (YOLO-Master)│ │ │ └─────────────┘ └──────┬──────┘ └─────────────┘ │ ┌─────────────▼─────────────┐ │ backend/services/ │ │ yolo_master.py │ │ · 路径切换 全局锁 │ │ · 五类任务推理封装 │ └───────────────────────────┘三、核心推理模块yolo_master.py新增文件backend/services/yolo_master.py承担 YOLO-Master 专属推理逻辑。3.1 加载与共存机制TigerPro 同时支持标准ultralytics与 Tencent 分叉版关键在于按需切换导入路径并用全局锁避免并发冲突机制说明根路径环境变量YOLO_MASTER_ROOT或默认backend/uploads/models/third_party/YOLO-Master触发条件仅当模型libraryyolo-master时切换导入并发安全全局锁保护路径切换标准 YOLO 推理不受影响这种设计让业务侧可以同一套 API、同一套前端按模型元数据自动选择推理后端无需改调用代码。3.2 封装的推理接口接口函数任务类型输入说明detect_image目标检测图片标准水平框检测detect_obbOBB 旋转框图片适用于航拍、文本等旋转目标estimate_pose姿态估计图片人体关键点segment_image实例分割图片像素级掩码classify_image图像分类图片整图类别detect_video等视频流视频/摄像头对应任务的流式推理视频接口与图片接口一一对应便于在/ai/video、/ai/camera页面直接复用。四、预置 7 个模型Seed 自动入库重启后端后TigerPro 通过seed 机制自动向模型库注册 7 个 YOLO-Master 预置模型无需手工录入元数据。model_key任务类型权重文件推荐场景yolo-master-esmoe-n目标检测EsMoE-N.pt通用检测首选轻量高 FPSyolo-master-esmoe-s目标检测EsMoE-S.pt精度更高的检测yolo-master-v01-n目标检测v0.1-N.ptv0.1 系列基线模型yolo-master-seg-n实例分割seg-N.pt分割任务yolo-master-cls-n图像分类cls-N.pt整图分类yolo-master-pose-n姿态估计pose-N.pt人体关键点yolo-master-obb-nOBB 旋转框obb-N.pt旋转框检测权重来源GitHub Release YOLO-Master-v26.02在模型管理页面筛选yolo-master推理库即可看到这 7 条记录点击拉取权重完成下载后即可推理。五、API 路由设计路由集中在routes/ai_model.py与现有 Ultralytics 模型共用同一套端点通过模型元数据分发到不同后端。API 端点支持任务YOLO-Master 能力/detect、/detect-video检测 / OBB / 分类根据task字段路由/pose、/pose-video姿态估计关键点检测/segment、/segment-video实例分割掩码输出/classify-image图像分类YOLO-Master 分类头模型转换支持pt → onnx转换流程与标准 ultralytics 模型一致便于部署到 ONNX Runtime、TensorRT 等推理引擎。调用示例检测# 前端通过 modelApi.detect 自动路由后端根据 library 字段选择引擎{model_key:yolo-master-esmoe-n,image:base64 或文件路径,conf:0.5}六、前端改造要点6.1 模型管理新增推理库类型yolo-master新增任务类型obb旋转框检测支持在线测试选择taskobb可直接验证 OBB 模型6.2 功能页面页面改造内容姿态估计/ai/pose模型下拉框增加 YOLO-Master 选项实例分割/ai/segment新增 Tab「YOLO-Master」图像分类/ai/imgcls可选 YOLO-Master 分类模型图像/视频/摄像头检测通过现有modelApi.detect自动走新路由无需改页面逻辑这种「后端透明接入、前端最小改动」的方式降低了多引擎维护成本。七、部署与使用指南7.1 环境准备MoE 权重必需YOLO-Master 依赖其分叉版 Ultralytics必须先克隆源码并本地安装Windows PowerShell# 克隆到 TigerPro 默认第三方模型目录git clone https://github.com/Tencent/YOLO-Master f:\python_project\CV_PyhonVue_Tigerpro\backend\uploads\models\third_party\YOLO-Master cd f:\python_project\CV_PyhonVue_Tigerpro\backend\uploads\models\third_party\YOLO-Master pip install-e.或设置自定义根路径$env:YOLO_MASTER_ROOT f:\your_path\YOLO-MasterLinux / macOSgitclone https://github.com/Tencent/YOLO-Master\/path/to/TigerPro/backend/uploads/models/third_party/YOLO-Mastercd/path/to/TigerPro/backend/uploads/models/third_party/YOLO-Master pipinstall-e.7.2 启动与验证三步步骤操作预期结果1重启后端seed 自动注册 7 个yolo-master模型条目2打开模型管理→ 筛选yolo-master→ 点击拉取权重权重下载到本地3进入对应功能页选择模型推理返回检测结果 / 掩码 / 关键点等重启后模型管理里应能看到7 个yolo-master条目。若未出现检查后端日志中 seed 是否执行成功以及YOLO_MASTER_ROOT路径是否正确。7.3 功能页与推荐模型任务TigerPro 页面推荐 model_key目标检测/ai/image/ai/video/ai/camerayolo-master-esmoe-n实例分割/ai/segmentTab「YOLO-Master」yolo-master-seg-n姿态估计/ai/poseyolo-master-pose-n图像分类/ai/imgclsyolo-master-cls-nOBB 旋转框模型管理在线测试taskobbyolo-master-obb-n八、与标准 Ultralytics 的对比选型在 TigerPro 中同一页面可能同时存在ultralytics与yolo-master两类模型如何选型维度UltralyticsYOLO11/YOLO26YOLO-Master架构标准 CNN / YOLO26ES-MoE 动态路由复杂场景固定算力自适应算力密集场景更优生态成熟度极高社区权重丰富较新官方权重为主TigerPro 接入默认库libraryyolo-master适用建议通用检测、已有自定义权重追求 MoE 精度优势、官方多任务套件实践建议日常检测优先yolo-master-esmoe-n轻量且 FPS 高已有 YOLO11 微调权重继续用 ultralytics 库分割/姿态/OBB/分类可直接用 YOLO-Master 预置模型快速验证九、常见问题与排查Q1模型管理看不到 yolo-master 条目确认已重启后端seed 仅在启动时执行检查数据库/模型表 seed 脚本是否报错查看backend启动日志中yolo-master相关输出Q2拉取权重失败确认网络可访问 GitHub Release手动从 Release 页面 下载 pt 文件放到平台权重目录Q3推理报错No module named ultralytics或版本冲突必须在 YOLO-Master 目录执行pip install -e .不要单独升级全局 ultralytics 到与 YOLO-Master 不兼容的版本确认YOLO_MASTER_ROOT指向已安装的源码目录Q4OBB 如何接到业务页如车辆追踪当前 OBB 主要在模型管理在线测试中验证若需接入车辆追踪等页面需在对应前端增加taskobb的模型选择与结果绘制旋转框属于二次开发范畴。十、后续扩展方向基于当前接入基础常见演进路径包括一键安装脚本自动 clone、pip install、拉取 7 个权重降低首次部署成本OBB 业务页接入将yolo-master-obb-n接到车辆追踪、航拍检测等场景页ONNX 批量导出在模型管理中一键将 7 个 pt 转为 onnx便于边缘部署EsMoE-S/M 入库扩展更大规格预置模型满足高精度场景十一、总结TigerPro 对 YOLO-Master 的接入遵循「独立推理模块 统一 API 最小前端改动」原则要点内容核心文件backend/services/yolo_master.py预置模型7 个覆盖检测/分割/姿态/OBB/分类共存策略libraryyolo-master时切换导入路径 全局锁使用前提clone YOLO-Master 源码并pip install -e .验证路径重启后端 → 模型管理拉取权重 → 功能页选模推理对于需要在智慧校园、工业视觉、安防等平台中快速试用 CVPR 2026 级 MoE 检测框架的团队这套接入方案提供了从环境到页面的完整闭环。若你正在使用 TigerPro 或类似 YOLO 管理平台可直接按本文步骤完成 YOLO-Master 的落地验证。参考资料Tencent/YOLO-Master GitHubYOLO-Master 官方文档YOLO-Master-v26.02 ReleaseCVPR 2026 YOLO-Master 论文标签YOLO-MasterTigerPro目标检测实例分割姿态估计OBBMixture-of-Experts腾讯优图Ultralytics视觉平台 开源项目：Tiger AI Platform平台接入YOLO-Master，五类视觉任务一站式推理指南
Tiger AI Platform平台接入 YOLO-Master五类视觉任务一站式推理指南文章目录Tiger AI Platform平台接入 YOLO-Master五类视觉任务一站式推理指南前言一、YOLO-Master 技术背景为什么选它1.1 核心特性1.2 代表性模型性能COCO 检测二、TigerPro 接入实现概览三、核心推理模块yolo_master.py3.1 加载与共存机制3.2 封装的推理接口四、预置 7 个模型Seed 自动入库五、API 路由设计六、前端改造要点6.1 模型管理6.2 功能页面七、部署与使用指南7.1 环境准备MoE 权重必需7.2 启动与验证三步7.3 功能页与推荐模型八、与标准 Ultralytics 的对比选型九、常见问题与排查Q1模型管理看不到 yolo-master 条目Q2拉取权重失败Q3推理报错 No module named ultralytics 或版本冲突Q4OBB 如何接到业务页如车辆追踪十、后续扩展方向十一、总结参考资料前言YOLO-Master 是腾讯优图实验室开源的实时目标检测框架已被CVPR 2026接收。其核心创新在于将Efficient Sparse Mixture-of-ExpertsES-MoE深度融入 YOLO 架构通过实例级动态路由实现「按需计算」——简单场景低算力、复杂场景高算力在 COCO 等基准上取得了精度与延迟的更优平衡。对于工程落地而言光有 SOTA 模型还不够还需要与业务平台打通模型注册、权重管理、多任务 API、前端选模、视频流推理。本文详细介绍TigerPro 视觉平台如何完整接入 YOLO-Master覆盖检测、分割、姿态、OBB 旋转框、分类五类任务并提供从环境准备到功能页使用的全流程指南。开源Tiger AI Plateform项目采用Apache License 2.0开源协议发布请合法合规使用github地址https://github.com/5758703/一、YOLO-Master 技术背景为什么选它1.1 核心特性特性说明ES-MoE 架构每个输入实例动态选择专家子网络实现自适应计算Ultralytics 兼容基于 Ultralytics 分叉训练/导出接口与 YOLO 生态一致多任务支持检测、实例分割、姿态估计、OBB、图像分类部署友好支持 ONNX、TensorRT 等导出路径EsMoE-N 在 4090 上可达 640 FPS1.2 代表性模型性能COCO 检测模型参数量GFLOPsmAP50-954090 TensorRT FPSYOLO-Master-EsMoE-N2.68M8.70.427640.18YOLO-Master-EsMoE-S9.69M29.10.489423.87YOLO-Master-v0.1-N7.54M10.10.429528.84权重发布地址YOLO-Master-v26.02 Release二、TigerPro 接入实现概览TigerPro 在不破坏现有 Ultralytics 流水线的前提下将 YOLO-Master 作为独立推理库libraryyolo-master接入实现「一套平台、两套引擎、五类任务」。┌──────────────────────────────────────────────────────────────┐ │ TigerPro 前端 │ │ /ai/image /ai/video /ai/pose /ai/segment /ai/imgcls │ └────────────────────────────┬─────────────────────────────────┘ │ modelApi ┌────────────────────────────▼─────────────────────────────────┐ │ routes/ai_model.py统一 API 路由 │ │ /detect /pose /segment /classify-image /detect-video │ └────────────────────────────┬─────────────────────────────────┘ │ ┌──────────────────┼──────────────────┐ ▼ ▼ ▼ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │ ultralytics │ │ yolo_master │ │ 其他引擎 │ │ (默认库) │ │ (YOLO-Master)│ │ │ └─────────────┘ └──────┬──────┘ └─────────────┘ │ ┌─────────────▼─────────────┐ │ backend/services/ │ │ yolo_master.py │ │ · 路径切换 全局锁 │ │ · 五类任务推理封装 │ └───────────────────────────┘三、核心推理模块yolo_master.py新增文件backend/services/yolo_master.py承担 YOLO-Master 专属推理逻辑。3.1 加载与共存机制TigerPro 同时支持标准ultralytics与 Tencent 分叉版关键在于按需切换导入路径并用全局锁避免并发冲突机制说明根路径环境变量YOLO_MASTER_ROOT或默认backend/uploads/models/third_party/YOLO-Master触发条件仅当模型libraryyolo-master时切换导入并发安全全局锁保护路径切换标准 YOLO 推理不受影响这种设计让业务侧可以同一套 API、同一套前端按模型元数据自动选择推理后端无需改调用代码。3.2 封装的推理接口接口函数任务类型输入说明detect_image目标检测图片标准水平框检测detect_obbOBB 旋转框图片适用于航拍、文本等旋转目标estimate_pose姿态估计图片人体关键点segment_image实例分割图片像素级掩码classify_image图像分类图片整图类别detect_video等视频流视频/摄像头对应任务的流式推理视频接口与图片接口一一对应便于在/ai/video、/ai/camera页面直接复用。四、预置 7 个模型Seed 自动入库重启后端后TigerPro 通过seed 机制自动向模型库注册 7 个 YOLO-Master 预置模型无需手工录入元数据。model_key任务类型权重文件推荐场景yolo-master-esmoe-n目标检测EsMoE-N.pt通用检测首选轻量高 FPSyolo-master-esmoe-s目标检测EsMoE-S.pt精度更高的检测yolo-master-v01-n目标检测v0.1-N.ptv0.1 系列基线模型yolo-master-seg-n实例分割seg-N.pt分割任务yolo-master-cls-n图像分类cls-N.pt整图分类yolo-master-pose-n姿态估计pose-N.pt人体关键点yolo-master-obb-nOBB 旋转框obb-N.pt旋转框检测权重来源GitHub Release YOLO-Master-v26.02在模型管理页面筛选yolo-master推理库即可看到这 7 条记录点击拉取权重完成下载后即可推理。五、API 路由设计路由集中在routes/ai_model.py与现有 Ultralytics 模型共用同一套端点通过模型元数据分发到不同后端。API 端点支持任务YOLO-Master 能力/detect、/detect-video检测 / OBB / 分类根据task字段路由/pose、/pose-video姿态估计关键点检测/segment、/segment-video实例分割掩码输出/classify-image图像分类YOLO-Master 分类头模型转换支持pt → onnx转换流程与标准 ultralytics 模型一致便于部署到 ONNX Runtime、TensorRT 等推理引擎。调用示例检测# 前端通过 modelApi.detect 自动路由后端根据 library 字段选择引擎{model_key:yolo-master-esmoe-n,image:base64 或文件路径,conf:0.5}六、前端改造要点6.1 模型管理新增推理库类型yolo-master新增任务类型obb旋转框检测支持在线测试选择taskobb可直接验证 OBB 模型6.2 功能页面页面改造内容姿态估计/ai/pose模型下拉框增加 YOLO-Master 选项实例分割/ai/segment新增 Tab「YOLO-Master」图像分类/ai/imgcls可选 YOLO-Master 分类模型图像/视频/摄像头检测通过现有modelApi.detect自动走新路由无需改页面逻辑这种「后端透明接入、前端最小改动」的方式降低了多引擎维护成本。七、部署与使用指南7.1 环境准备MoE 权重必需YOLO-Master 依赖其分叉版 Ultralytics必须先克隆源码并本地安装Windows PowerShell# 克隆到 TigerPro 默认第三方模型目录git clone https://github.com/Tencent/YOLO-Master f:\python_project\CV_PyhonVue_Tigerpro\backend\uploads\models\third_party\YOLO-Master cd f:\python_project\CV_PyhonVue_Tigerpro\backend\uploads\models\third_party\YOLO-Master pip install-e.或设置自定义根路径$env:YOLO_MASTER_ROOT f:\your_path\YOLO-MasterLinux / macOSgitclone https://github.com/Tencent/YOLO-Master\/path/to/TigerPro/backend/uploads/models/third_party/YOLO-Mastercd/path/to/TigerPro/backend/uploads/models/third_party/YOLO-Master pipinstall-e.7.2 启动与验证三步步骤操作预期结果1重启后端seed 自动注册 7 个yolo-master模型条目2打开模型管理→ 筛选yolo-master→ 点击拉取权重权重下载到本地3进入对应功能页选择模型推理返回检测结果 / 掩码 / 关键点等重启后模型管理里应能看到7 个yolo-master条目。若未出现检查后端日志中 seed 是否执行成功以及YOLO_MASTER_ROOT路径是否正确。7.3 功能页与推荐模型任务TigerPro 页面推荐 model_key目标检测/ai/image/ai/video/ai/camerayolo-master-esmoe-n实例分割/ai/segmentTab「YOLO-Master」yolo-master-seg-n姿态估计/ai/poseyolo-master-pose-n图像分类/ai/imgclsyolo-master-cls-nOBB 旋转框模型管理在线测试taskobbyolo-master-obb-n八、与标准 Ultralytics 的对比选型在 TigerPro 中同一页面可能同时存在ultralytics与yolo-master两类模型如何选型维度UltralyticsYOLO11/YOLO26YOLO-Master架构标准 CNN / YOLO26ES-MoE 动态路由复杂场景固定算力自适应算力密集场景更优生态成熟度极高社区权重丰富较新官方权重为主TigerPro 接入默认库libraryyolo-master适用建议通用检测、已有自定义权重追求 MoE 精度优势、官方多任务套件实践建议日常检测优先yolo-master-esmoe-n轻量且 FPS 高已有 YOLO11 微调权重继续用 ultralytics 库分割/姿态/OBB/分类可直接用 YOLO-Master 预置模型快速验证九、常见问题与排查Q1模型管理看不到 yolo-master 条目确认已重启后端seed 仅在启动时执行检查数据库/模型表 seed 脚本是否报错查看backend启动日志中yolo-master相关输出Q2拉取权重失败确认网络可访问 GitHub Release手动从 Release 页面 下载 pt 文件放到平台权重目录Q3推理报错No module named ultralytics或版本冲突必须在 YOLO-Master 目录执行pip install -e .不要单独升级全局 ultralytics 到与 YOLO-Master 不兼容的版本确认YOLO_MASTER_ROOT指向已安装的源码目录Q4OBB 如何接到业务页如车辆追踪当前 OBB 主要在模型管理在线测试中验证若需接入车辆追踪等页面需在对应前端增加taskobb的模型选择与结果绘制旋转框属于二次开发范畴。十、后续扩展方向基于当前接入基础常见演进路径包括一键安装脚本自动 clone、pip install、拉取 7 个权重降低首次部署成本OBB 业务页接入将yolo-master-obb-n接到车辆追踪、航拍检测等场景页ONNX 批量导出在模型管理中一键将 7 个 pt 转为 onnx便于边缘部署EsMoE-S/M 入库扩展更大规格预置模型满足高精度场景十一、总结TigerPro 对 YOLO-Master 的接入遵循「独立推理模块 统一 API 最小前端改动」原则要点内容核心文件backend/services/yolo_master.py预置模型7 个覆盖检测/分割/姿态/OBB/分类共存策略libraryyolo-master时切换导入路径 全局锁使用前提clone YOLO-Master 源码并pip install -e .验证路径重启后端 → 模型管理拉取权重 → 功能页选模推理对于需要在智慧校园、工业视觉、安防等平台中快速试用 CVPR 2026 级 MoE 检测框架的团队这套接入方案提供了从环境到页面的完整闭环。若你正在使用 TigerPro 或类似 YOLO 管理平台可直接按本文步骤完成 YOLO-Master 的落地验证。参考资料Tencent/YOLO-Master GitHubYOLO-Master 官方文档YOLO-Master-v26.02 ReleaseCVPR 2026 YOLO-Master 论文标签YOLO-MasterTigerPro目标检测实例分割姿态估计OBBMixture-of-Experts腾讯优图Ultralytics视觉平台