Von Ultralytics unterstützte Modelle#
Willkommen in der Modelldokumentation von Ultralytics! Wir unterstützen zahlreiche Modelle, die jeweils auf bestimmte Aufgaben zugeschnitten sind, etwa Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Bildklassifizierung, Posenschätzung und gedrehte Begrenzungsrahmen. Wenn du deine Modellarchitektur zu Ultralytics beitragen möchtest, schau dir unseren Leitfaden zum Mitwirken an.
Vorgestellte Modelle#
Beginne ein neues Projekt mit YOLO26: Es ist die neueste Veröffentlichung von Ultralytics und deckt als einziges Modell alle sieben Aufgaben ab. YOLO11 ist die ausgereifte Alternative mit vortrainierten Checkpoints für alle fünf unterstützten Aufgaben. Wähle eine spezialisierte Modellfamilie nur dann, wenn du promptgesteuerte Segmentierung (SAM 3), Erkennung mit offenem Vokabular (YOLOE, YOLO-World) oder einen Transformer-Detektor (RT-DETR) benötigst.
YOLO27 befindet sich in der abschließenden Forschungs- und Entwicklungsphase; die Veröffentlichung wird für später in diesem Jahr erwartet, ein konkreter Termin steht jedoch noch nicht fest. Sieh dir eine Vorschau der Architektur, der sieben geplanten Aufgaben und der vorläufigen Benchmarks an. Modellgewichte und Paketunterstützung sind noch nicht verfügbar; verwende für aktuelle Projekte YOLO26.
Die Tabelle führt veröffentlichte Modelle und Architektur-Referenzen mit ihren Aufgaben, den unterstützten Modi train, val, predict und export sowie empfohlenen Anwendungsfällen auf. Track ist nicht separat aufgeführt: Bei Detect-, Segment-, Pose- und OBB-Modellen läuft Track zusätzlich zu Predict. SAM 2 und SAM 3 verfolgen Objekte dagegen über ihre eigenen Videovorhersagen. Auch Benchmark ist nicht aufgeführt, da dieser Modus Export und Val für verschiedene Formate kombiniert, statt eigene Unterstützung hinzuzufügen.
| Modell | Aufgaben | Modi | Wähle es für |
|---|---|---|---|
| YOLO26 🚀 NEU | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Neue Projekte: optionale NMS-freie Inferenz, für Edge-Geräte optimierte Bereitstellung und die größte Aufgabenabdeckung |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Benchmarking der aufmerksamkeitzentrierten Community-Veröffentlichung; vortrainierte Gewichte gibt es nur für die Erkennung |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Stabile Produktionslasten mit vortrainierten Checkpoints für alle unterstützten Aufgaben |
| 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 | Vorhersagen | Ausführen eines mit der ursprünglichen Implementierung trainierten YOLOv7-Exports: Das Paket erstellt Vorhersagen mit einem kompatiblen ONNX- oder TensorRT-Modell, nicht mit dem nativen Checkpoint |
| YOLOv6 | Detect | Train, Val, Predict, Export | Trainieren der Architektur von Meituan anhand der YAML-Datei; Ultralytics stellt keine YOLOv6-Checkpoints für .pt bereit |
| YOLOv5 | Detect | Train, Val, Predict, Export | Ältere Ultralytics-Projekte; aktuelle Versionen laden die aktualisierten YOLOv5u-Checkpoints |
| YOLOv4 | Keine | Keine | Nur als Architektur-Referenz: Das native Darknet-Modell von Alexey Bochkovskiy wird vom Paket nicht unterstützt |
| YOLOv3 | Detect | Train, Val, Predict, Export | Ältere Projekte mit der ursprünglichen Architektur von Joseph Redmon; aktuelle Versionen laden die aktualisierten YOLOv3u-Checkpoints |
| SAM 3 🚀 NEU | Segment | Vorhersagen | Die promptgesteuerte Konzeptsegmentierung von Meta für Bilder und Videos, ausgehend von Text oder Bildbeispielen; für sam3.pt und SAM 3.1 sam3.1_multiplex.pt (Bilder) ist eine Zugriffsfreigabe auf Hugging Face erforderlich |
| SAM 2 | Segment | Vorhersagen | Die promptgesteuerte Segmentierung von Meta, mit der Objekte über Videobilder hinweg verfolgt werden |
| SAM | Segment | Vorhersagen | Die ursprüngliche promptgesteuerte Segmentierung von Meta, einschließlich automatischer Annotation |
| MobileSAM | Segment | Vorhersagen | Promptgesteuerte Segmentierung auf Mobilgeräten und anderen Geräten mit begrenzten Ressourcen (Kyung-Hee-Universität) |
| FastSAM | Segment | Val, Predict, Export | Promptgesteuerte CNN-basierte Segmentierung, wenn die Latenz von SAM zum Engpass wird (Chinesische Akademie der Wissenschaften) |
| YOLO-NAS | Detect | Val, Predict, Export | Die durch NAS optimierten Detektoren von Deci, weiterhin für Inferenz und Export verfügbar; seit der Übernahme durch NVIDIA werden sie von Deci nicht mehr gewartet |
| RT-DETR | Detect | Train, Val, Predict, Export | Der Echtzeit-DETR-Detektor von Baidu: ein Faltungs-Backbone mit einem hybriden Transformer-Encoder |
| YOLO-World | Detect | Train, Val, Predict, Export | Erkennung mit offenem Vokabular anhand von Texteingaben (Tencent AI Lab); für den Export sind die Checkpoints -worldv2 erforderlich |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Erkennung mit offenem Vokabular und Segmentierung anhand von Text, visuellen Eingaben oder ohne Prompts |
Ultralytics liefert auch LLM mit, eine mit OpenAI kompatible Schnittstelle zu großen Sprach- und Bildverarbeitungsmodellen für das Text- und Bildverständnis. LLM hat keine eigenen Aufgaben oder Modi und ist deshalb nicht in der obigen Tabelle aufgeführt. Es lässt sich jedoch mit jeder YOLO-Pipeline kombinieren und kann mit OpenAI und anderen Cloud-Anbietern oder einem vollständig lokalen On-Premises-Server verwendet werden.
Ansehen: Führe Ultralytics-YOLO-Modelle mit nur wenigen Codezeilen aus.
Erste Schritte: Anwendungsbeispiele#
Dieses Beispiel zeigt einfache Beispiele für das Training und die Inferenz mit YOLO. Die vollständige Dokumentation zu diesen und weiteren Modi findest du auf den Dokumentationsseiten zu Predict, Train, Val und Export.
Das folgende Beispiel stellt YOLO26-Detect-Modelle für die Objekterkennung vor. Weitere unterstützte Aufgaben findest du in der Dokumentation zu Segment, Semantic, Depth, Classify, Pose und OBB.
Vortrainierte PyTorch-Modelle *.pt 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
# Ein mit COCO vortrainiertes YOLO26n-Modell laden
model = YOLO("yolo26n.pt")
# Modellinformationen anzeigen (optional)
model.info()
# Das Modell 100 Epochen lang mit dem COCO8-Beispieldatensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Mit dem YOLO26n-Modell eine Inferenz auf dem Bild 'bus.jpg' ausführen
results = model("path/to/bus.jpg")Neue Modelle beitragen#
Möchtest du dein Modell zu Ultralytics beitragen? Großartig! Wir sind immer 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 Codierungsstandards und Richtlinien in unserem Leitfaden zum Mitwirken hinzu.
-
Gründlich testen: Teste dein Modell sorgfältig, sowohl isoliert als auch als Teil der Pipeline.
-
Pull Request erstellen: Wenn du mit deinem Modell zufrieden bist, erstelle einen Pull Request an das Hauptrepository, damit dein Beitrag überprüft werden kann.
-
Code-Review und Zusammenführen: Nach der Überprüfung wird dein Modell in das Hauptrepository übernommen, sofern es unsere Kriterien erfüllt.
Eine detaillierte Anleitung findest du in unserem Leitfaden zum Mitwirken.
Häufig gestellte Fragen#
Das neueste veröffentlichte Ultralytics-YOLO-Modell ist YOLO26, das im Januar 2026 veröffentlicht wurde. YOLO26 bietet eine optionale NMS-freie End-to-End-Inferenz, eine für Edge-Geräte optimierte Bereitstellung und unterstützt Erkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung und OBB sowie Versionen mit offenem Vokabular. Für stabile Produktionslasten empfehlen sich sowohl YOLO26 als auch YOLO11.
YOLO27 ist die kommende Modellfamilie und befindet sich derzeit in der abschließenden Forschungs- und Entwicklungsphase. Das Modell ist noch nicht verfügbar; ein Veröffentlichungstermin steht nicht fest.
Mit den Bibliotheken von Ultralytics lässt sich ein YOLO-Modell ganz einfach mit benutzerdefinierten Daten trainieren. Hier ein kurzes Beispiel:
Beispielfrom ultralytics import YOLO # Ein YOLO-Modell laden model = YOLO("yolo26n.pt") # oder jedes andere YOLO-Modell # Das Modell mit einem benutzerdefinierten Datensatz trainieren results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)Eine ausführlichere Anleitung findest du auf der Dokumentationsseite 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 ausschließlich als Architektur-Referenz dokumentiert, während YOLOv7 als exportiertes ONNX- oder TensorRT-Modell ausgeführt wird. Unter Vorgestellte Modelle findest du die für die einzelnen Modelle verfügbaren Aufgaben und Modi.
Die Ultralytics Platform bietet eine durchgängige No-Code-Plattform für das Training, die Bereitstellung und die Verwaltung von YOLO-Modellen. Sie vereinfacht komplexe Arbeitsabläufe, sodass sich Nutzer auf die Modellleistung und die Anwendung konzentrieren können. Außerdem bietet sie Cloud-Trainingsfunktionen, eine umfassende Verwaltung von Datensätzen 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 die Erkennung mit offenem Vokabular. Einzelheiten zu bestimmten Aufgaben findest du auf den Aufgabenseiten.