Von Ultralytics unterstützte Modelle#
Willkommen bei der Modelldokumentation von Ultralytics! Wir bieten Unterstützung für eine Vielzahl von Modellen, die jeweils auf spezifische Aufgaben wie object detection, instance segmentation, semantic segmentation, depth estimation, image classification, pose estimation und multi-object tracking zugeschnitten sind. Wenn du deine Modellarchitektur zu Ultralytics beitragen möchtest, schau dir unseren Contributing Guide an.
Vorgestellte Modelle#
Starte mit YOLO26 für ein neues Projekt: Es ist das neueste Ultralytics-Release und das einzige, das alle sieben Aufgaben abdeckt. YOLO11 ist die ausgereifte Alternative mit vortrainierten Checkpoints für jede seiner fünf Aufgaben. Wähle eine spezialisierte Familie nur dann, wenn du prompt-basierte Segmentierung (SAM 3), Open-Vocabulary-Erkennung (YOLOE, YOLO-World) oder einen Transformer-Detektor (RT-DETR) benötigst.
Die Tabelle listet jedes dokumentierte Modell mit den von ihm abgedeckten Aufgaben auf, welche der Modi train, val, predict and export von Ultralytics dafür unterstützt werden und wann du es wählen solltest. Track wird nicht separat aufgeführt: Es läuft über predict für Detect-, Segment-, Pose- und OBB-Modelle, während SAM 2 und SAM 3 über ihre eigenen Video-Predictoren tracken. Benchmark wird ebenfalls nicht aufgeführt, da es export und val über Formate hinweg kapselt, anstatt eigene Unterstützung hinzuzufügen.
| Modell | Aufgaben | Modi | Wähle es für |
|---|---|---|---|
| YOLO26 🚀 NEU | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Neue Projekte: End-to-End NMS-freie Inferenz, Edge-optimiertes Deployment und die breiteste Aufgabenabdeckung |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Benchmarking des auf Attention ausgerichteten Community-Releases; 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 | NMS-freie Erkennungsforschung der Tsinghua-Universität |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | Programmable Gradient Information (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 Upstream-trainierten YOLOv7-Exports: Das Paket prognostiziert aus einem kompatiblen ONNX- oder TensorRT-Modell, niemals aus dem nativen Checkpoint |
| YOLOv6 | Detect | Train, Val, Predict, Export | Training der Architektur von Meituan aus ihrer YAML; Ultralytics hostet keine YOLOv6 .pt Checkpoints |
| YOLOv5 | Detect | Train, Val, Predict, Export | Legacy-Ultralytics-Projekte; aktuelle Releases laden die aktualisierten YOLOv5u-Checkpoints |
| YOLOv4 | Keine | Keine | Nur Architekturreferenz: Alexey Bochkovskiys Darknet-natives Modell wird vom Paket nicht unterstützt |
| YOLOv3 | Detect | Train, Val, Predict, Export | Legacy-Projekte auf Joseph Redmons Originalarchitektur; aktuelle Releases laden die aktualisierten YOLOv3u-Checkpoints |
| SAM 3 🚀 NEU | Segment | Vorhersagen | Metas prompt-basierte Konzeptsegmentierung in Bildern und Videos aus Text- oder Bildbeispielen; sam3.pt erfordert eine Zugriffsgenehmigung auf Hugging Face |
| SAM 2 | Segment | Vorhersagen | Metas prompt-basierte Segmentierung, die Objekte über Video-Frames hinweg verfolgt |
| SAM | Segment | Vorhersagen | Metas originale prompt-basierte Segmentierung, einschließlich automatischer Annotation |
| MobileSAM | Segment | Vorhersagen | Prompt-basierte Segmentierung auf Mobilgeräten und anderen ressourcenbeschränkten Geräten (Kyung Hee University) |
| FastSAM | Segment | Val, Predict, Export | CNN-basierte prompt-basierte Segmentierung, wenn die SAM-Latenz den Flaschenhals darstellt (Chinesische Akademie der Wissenschaften) |
| YOLO-NAS | Detect | Val, Predict, Export | Die von NAS optimierten Detektoren von Deci, beibehalten für Inferenz und Export; Deci pflegt sie nach der NVIDIA-Übernahme nicht mehr weiter |
| RT-DETR | Detect | Train, Val, Predict, Export | Baidus Echtzeit-DETR-Detektor: ein convolutionales Backbone mit einem hybriden transformer-Encoder |
| YOLO-World | Detect | Train, Val, Predict, Export | Open-Vocabulary-Erkennung aus Text-Prompts (Tencent AI Lab); der Export erfordert die -worldv2 Checkpoints |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Open-Vocabulary-Erkennung und -Segmentierung mit Text-, visueller oder prompt-freier Inferenz |
Watch: Run Ultralytics YOLO models in just a few lines of code.
Erste Schritte: Nutzungsbeispiele#
Dieses Beispiel bietet einfache YOLO-Trainings- und Inferenzbeispiele. Vollständige Dokumentationen zu diesen und anderen modes findest du auf den Predict-, Train-, Val- und Export-Dokumentationsseiten.
Beachte, dass das folgende Beispiel YOLO26 Detect-Modelle für die object detection hervorhebt. Weitere unterstützte Aufgaben findest du in der Segment-, Semantic-, Depth-, Classify-, Pose- und OBB-Dokumentation.
PyTorch vortrainierte *.pt Modelle sowie Konfigurations-*.yaml Dateien können an die Klassen YOLO(), SAM(), NAS() und RTDETR() übergeben werden, um eine Modellinstanz in Python 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 beisteuern#
Interessiert daran, dein Modell zu Ultralytics beizusteuern? Großartig! Wir sind immer offen dafür, unser Modellportfolio zu erweitern.
-
Repository forken: Beginne damit, das Ultralytics GitHub repository zu forken.
-
Klonen deines Forks: Klone deinen Fork auf deine lokale Maschine und erstelle einen neuen Branch, an dem du arbeiten kannst.
-
Implementiere dein Modell: Füge dein Modell unter Einhaltung der Codierungsstandards und Richtlinien hinzu, die in unserem Contributing Guide bereitgestellt werden.
-
Gründlich testen: Stelle sicher, dass du dein Modell rigoros testest, sowohl isoliert als auch als Teil der Pipeline.
-
Erstelle einen Pull Request: Sobald du mit deinem Modell zufrieden bist, erstelle einen Pull Request für das Haupt-Repository zur Überprüfung.
-
Code-Review & Merging: Nach der Überprüfung wird dein Modell in das Haupt-Repository gemerged, falls es unsere Kriterien erfüllt.
Detaillierte Schritte findest du in unserem Contributing Guide.
FAQ#
Das neueste Ultralytics YOLO-Modell ist YOLO26, veröffentlicht im Januar 2026. YOLO26 bietet End-to-End NMS-freie Inferenz, optimiertes Edge-Deployment und unterstützt Erkennung, Instanzsegmentierung, semantic segmentation, depth estimation, Klassifizierung, Pose-Schätzung und OBB sowie Open-Vocabulary-Versionen. Für stabile Produktions-Workloads werden sowohl YOLO26 als auch YOLO11 empfohlen.
Das Training eines YOLO-Modells mit eigenen Daten kann einfach mit den Bibliotheken von Ultralytics durchgeführt werden. 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 Train-Dokumentationsseite.
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 YAMLs für YOLOv4 oder YOLOv7: YOLOv4 ist nur als Architekturreferenz dokumentiert, während YOLOv7 als exportiertes ONNX- oder TensorRT-Modell läuft. Unter Featured Models findest du die für die jeweiligen Modelle verfügbaren Aufgaben und Modi.
Ultralytics Platform bietet eine No-Code-End-to-End-Plattform zum Trainieren, Deployen und Verwalten von YOLO-Modellen. Sie vereinfacht komplexe Workloads und ermöglicht es Benutzern, sich auf Modellleistung und -anwendung zu konzentrieren. Sie bietet zudem cloud training capabilities, umfassendes Dataset-Management und benutzerfreundliche Oberflächen sowohl für Anfänger als auch für erfahrene Entwickler.
Ultralytics YOLO-Modelle sind vielseitig einsetzbar und können Aufgaben wie Objekterkennung, Instanzsegmentierung, semantic segmentation, depth estimation, Klassifizierung, Pose-Schätzung und orientierte Objekterkennung (OBB) durchführen. Das neueste Modell, YOLO26, unterstützt alle sieben Aufgaben plus Open-Vocabulary-Erkennung. Details zu bestimmten Aufgaben findest du auf den Task pages.