Von Ultralytics unterstützte Modelle#
Willkommen in der Modelldokumentation von Ultralytics! Wir unterstützen eine breite Palette von Modellen, die jeweils auf bestimmte Aufgaben wie Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsrahmen zugeschnitten sind. Wenn du deine Modellarchitektur zu Ultralytics beitragen möchtest, sieh dir unseren Leitfaden für Beiträge an.
Empfohlene Modelle#
Beginne bei einem neuen Projekt mit YOLO26: Es ist die neueste Version von Ultralytics und das einzige Modell, das alle sieben Aufgaben abdeckt. YOLO11 ist die ausgereifte Alternative mit vortrainierten Checkpoints für alle fünf unterstützten Aufgaben. Wähle eine spezialisierte Familie nur, wenn du segmentierbare Inhalte per Prompt (SAM 3), Open-Vocabulary-Erkennung (YOLOE, YOLO-World) oder einen Transformer-Detektor (RT-DETR) benötigst.
YOLO27 befindet sich in der finalen F&E für eine voraussichtliche Einführung noch in diesem Jahr, wobei kein festes Einführungsdatum festgelegt ist. Vorschau auf die Architektur, sieben geplante Aufgaben und vorläufige Benchmarks. Modellgewichte und Paketunterstützung sind noch nicht verfügbar; verwende YOLO26 für aktuelle Projekte.
Die Tabelle listet veröffentlichte Modelle und Architekturreferenzen mit ihren Aufgaben, den unterstützten train, val, predict und export-Modi und den empfohlenen Anwendungsfällen auf. Track ist nicht separat aufgeführt: Es läuft zusätzlich zu predict für Detect-, Segment-, Pose- und OBB-Modelle, während SAM 2 und SAM 3 über ihre eigenen Videoprediktoren tracken. Benchmark ist ebenfalls nicht aufgeführt, da er export und val über Formate hinweg umschließt, anstatt eine eigene Unterstützung hinzuzufügen.
| Modell | Aufgaben | Modi | Auswahl für |
|---|---|---|---|
| YOLO26 🚀 NEU | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Neue Projekte: optionale NMS-freie Inferenz, kantenoptimierte Bereitstellung und die breiteste Aufgabenabdeckung |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Zum Benchmarking der auf Aufmerksamkeit ausgerichteten Community-Version; vortrainierte Gewichte decken nur die Erkennung ab |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Stabile Produktions-Workloads mit vortrainierten Checkpoints für jede unterstützte Aufgabe |
| YOLOv10 | Detect | Train, Val, Predict, Export | Forschung zur NMS-freien Erkennung von der Tsinghua-Universität |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | Programmierbare Gradienteninformation (PGI), implementiert auf der Ultralytics-YOLOv5-Codebasis |
| YOLOv8 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Bestehende YOLOv8-Pipelines und etablierte Integrationen von Drittanbietern |
| YOLOv7 | Detect | Vorhersage | Ausführen eines mit dem Upstream trainierten YOLOv7-Exports: Das Paket führt Vorhersagen mit einem kompatiblen ONNX- oder TensorRT-Modell durch, niemals mit dem nativen Checkpoint |
| YOLOv6 | Detect | Train, Val, Predict, Export | Training der Architektur von Meituan aus deren YAML-Datei; Ultralytics stellt keine YOLOv6-.pt-Checkpoints bereit |
| YOLOv5 | Detect | Train, Val, Predict, Export | Ältere Ultralytics-Projekte; aktuelle Versionen laden die aktualisierten YOLOv5u-Checkpoints |
| YOLOv4 | Keine | Keine | Nur als Referenz für die Architektur: Das native Darknet-Modell von Alexey Bochkovskiy wird vom Paket nicht unterstützt |
| YOLOv3 | Detect | Train, Val, Predict, Export | Ältere Projekte auf Basis der ursprünglichen Architektur von Joseph Redmon; aktuelle Versionen laden die aktualisierten YOLOv3u-Checkpoints |
| SAM 3 🚀 NEU | Segment | Vorhersage | Metas prompt-basiertes Konzept zur Segmentierung in Bildern und Videos anhand von Text- oder Bildbeispielen; sam3.pt und SAM 3.1 sam3.1_multiplex.pt (Bilder) erfordern eine Zugriffsgenehmigung auf Hugging Face |
| SAM 2 | Segment | Vorhersage | Promptbasierte Segmentierung von Meta mit Objektverfolgung über Videobilder hinweg |
| SAM | Segment | Vorhersage | Die ursprüngliche promptbasierte Segmentierung von Meta einschließlich automatischer Annotation |
| MobileSAM | Segment | Vorhersage | Promptbasierte Segmentierung auf Mobilgeräten und anderen Geräten mit begrenzten Ressourcen (Kyung-Hee-Universität) |
| FastSAM | Segment | Val, Predict, Export | Auf CNN basierende promptbasierte Segmentierung, wenn die Latenz von SAM zum Engpass wird (Chinesische Akademie der Wissenschaften) |
| YOLO-NAS | Detect | Val, Predict, Export | Für NAS optimierte Detektoren von Deci, die für Inferenz und Export beibehalten werden; Deci wartet sie seit der Übernahme durch NVIDIA nicht mehr |
| RT-DETR | Detect | Train, Val, Predict, Export | Echtzeit-DETR-Detektor von Baidu: ein konvolutionaler Backbone mit einem hybriden Transformer-Encoder |
| YOLO-World | Detect | Train, Val, Predict, Export | Open-Vocabulary-Erkennung anhand von Text-Prompts (Tencent AI Lab); für den Export sind die -worldv2-Checkpoints erforderlich |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Open-Vocabulary-Erkennung und -Segmentierung mit Text-, visueller oder promptfreier Inferenz |
Ultralytics liefert auch LLM, eine mit OpenAI kompatible Schnittstelle für große Sprach- und Bildverarbeitungsmodelle zum Verstehen von Texten und Bildern. Es verfügt über keine eigenen Aufgaben oder Modi und ist daher nicht in der obigen Tabelle enthalten, lässt sich aber mit jeder YOLO-Pipeline kombinieren und kann mit OpenAI und anderen Cloud-Anbietern oder einem vollständig lokalen On-Premises-Server ausgeführt werden.
Watch: Run Ultralytics YOLO models in just a few lines of code.
Erste Schritte: Anwendungsbeispiele#
Dieses Beispiel enthält einfache Beispiele für das Training und die Inferenz mit YOLO. Eine vollständige Dokumentation dieser und weiterer Modi findest du auf den Dokumentationsseiten zu Predict, Train, Val und Export.
Beachte, dass das folgende Beispiel YOLO26-Detect-Modelle für die Objekterkennung hervorhebt. Weitere unterstützte Aufgaben findest du in der Dokumentation zu Segment, Semantic, Depth, Classify, Pose und OBB.
Vortrainierte *.pt-Modelle von PyTorch sowie Konfigurationsdateien *.yaml können an die Klassen YOLO(), SAM(), NAS() und RTDETR() übergeben werden, um in Python eine Modellinstanz zu erstellen:
from ultralytics import YOLO
# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")
# Display model information (optional)
model.info()
# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")Neue Modelle beitragen#
Möchtest du dein Modell zu Ultralytics beitragen? Großartig! Wir sind stets offen dafür, unser Modellportfolio zu erweitern.
-
Repository forken: Forke zunächst das Ultralytics-GitHub-Repository.
-
Fork klonen: Klone deinen Fork auf deinen lokalen Rechner und erstelle einen neuen Branch für deine Arbeit.
-
Modell implementieren: Füge dein Modell gemäß den in unserem Leitfaden für Beiträge beschriebenen Codierungsstandards und Richtlinien hinzu.
-
Gründlich testen: Stelle sicher, dass du dein Modell sowohl isoliert als auch als Teil der Pipeline gründlich testest.
-
Pull Request erstellen: Sobald du mit deinem Modell zufrieden bist, erstelle einen Pull Request an das Haupt-Repository zur Überprüfung.
-
Codeüberprüfung und Zusammenführung: Nach der Überprüfung wird dein Modell in das Haupt-Repository übernommen, wenn es unsere Kriterien erfüllt.
Ausführliche Schritte findest du in unserem Leitfaden für Beiträge.
FAQ#
Das neueste veröffentlichte Ultralytics YOLO-Modell ist YOLO26, veröffentlicht im Januar 2026. YOLO26 bietet optionale NMS-freie End-to-End-Inferenz, optimiertes Edge-Deployment und unterstützt Detektion, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifikation, Posen-Schätzung und OBB sowie Open-Vocabulary-Versionen. Für stabile Produktions-Workloads sind sowohl YOLO26 als auch YOLO11 empfohlene Optionen.
YOLO27 ist die kommende Familie, die sich derzeit in der finalen F&E befindet. Sie ist noch nicht verfügbar und hat kein festgelegtes Einführungsdatum.
Das Training eines YOLO-Modells mit benutzerdefinierten Daten lässt sich einfach mit den Bibliotheken von Ultralytics durchführen. Hier ist ein kurzes Beispiel:
Beispielfrom ultralytics import YOLO # Load a YOLO model model = YOLO("yolo26n.pt") # or any other YOLO model # Train the model on custom dataset results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)Ausführlichere Anweisungen findest du auf der Dokumentationsseite zu Train.
Ultralytics unterstützt nativ YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 und YOLO26 sowie die SAM-Familie (SAM 3, SAM 2, SAM, MobileSAM und FastSAM), YOLO-NAS, RT-DETR, YOLO-World und YOLOE. Das Paket veröffentlicht keine Gewichte oder YAML-Dateien für YOLOv4 oder YOLOv7: YOLOv4 wird nur als Referenz für die Architektur dokumentiert, während YOLOv7 als exportiertes ONNX- oder TensorRT-Modell ausgeführt wird. Unter Empfohlene Modelle findest du die für jedes Modell verfügbaren Aufgaben und Modi.
Die Ultralytics Platform bietet eine durchgängige No-Code-Plattform zum Trainieren, Bereitstellen und Verwalten von YOLO-Modellen. Sie vereinfacht komplexe Workflows, sodass du dich auf die Modellleistung und die Anwendung konzentrieren kannst. Außerdem bietet sie Möglichkeiten für Cloud-Training, umfassende Datensatzverwaltung und benutzerfreundliche Oberflächen für Anfänger und erfahrene Entwickler.
Ultralytics-YOLO-Modelle sind vielseitig und können Aufgaben wie Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung und die Erkennung orientierter Objekte (OBB) ausführen. Das neueste Modell, YOLO26, unterstützt alle sieben Aufgaben sowie Open-Vocabulary-Erkennung. Einzelheiten zu bestimmten Aufgaben findest du auf den Aufgabenseiten.