中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية

Documentation d'Ultralytics YOLO#

Ultralytics YOLO est une famille de modèles de vision par ordinateur en temps réel pour la détection d'objets, la segmentation d'instances, la segmentation sémantique, l'estimation de profondeur, la classification, l'estimation de pose, les boîtes englobantes orientées et le suivi, disponibles via un package Python unique et une CLI. YOLO26 s'appuie sur les avancées en matière d'apprentissage profond et de vision par ordinateur, proposant une inférence de bout en bout sans NMS et un déploiement optimisé pour la périphérie. Sa conception rationalisée le rend adapté à diverses applications et facilement adaptable à différentes plateformes matérielles, des appareils de périphérie aux API cloud. Pour des charges de travail de production stables, YOLO26 et YOLO11 sont tous deux recommandés.

Explore la documentation d'Ultralytics, une ressource complète couvrant le package et la CLI YOLO ainsi que la plateforme Ultralytics, qui ajoute l'annotation de données, l'entraînement dans le cloud et le déploiement par-dessus les mêmes modèles. Que tu sois un praticien aguerri du machine learning ou que tu débutes dans le domaine, ces ressources t'aident à tirer le meilleur parti de YOLO dans tes projets.

Demande une licence d'entreprise pour un usage commercial sur Licences Ultralytics.

🚀 Nouveau : Distillation de connaissances

Entraîne des modèles YOLO plus petits avec les conseils d'un modèle enseignant plus grand — aucun coût d'inférence supplémentaire, juste une meilleure précision.

Commence en deux commandes#

# Install the ultralytics package from PyPI
pip install ultralytics

# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'

Les poids du modèle et l'image d'exemple se téléchargent automatiquement, et le résultat annoté est enregistré dans runs/detect/predict.

Consulte le guide de démarrage rapide pour la référence complète d'installation et d'utilisation.

Que veux-tu faire ?#

Entraîner un modèle sur ton propre jeu de données

Affiner un modèle YOLO26 pré-entraîné sur ton propre jeu de données, en ajustant l'augmentation et les hyperparamètres pour l'entraînement multi-GPU

Entraîner un modèle personnalisé

Exécuter un modèle sur tes images ou vidéos

Charger un modèle pré-entraîné et obtenir des boîtes englobantes, des masques ou des points clés en quelques lignes de Python ou une seule commande CLI

Prédire sur de nouvelles données

Suivre des objets à travers les images d'une vidéo

Suivre des objets à travers les images vidéo avec un identifiant persistant en utilisant BoT-SORT ou ByteTrack, intégrés dans le pipeline de prédiction de YOLO26

Suivi multi-objets

Exécuter une application de vision prête à l'emploi

Applications de vision prêtes à l'emploi pour le comptage d'objets, les cartes thermiques, la gestion des files d'attente, les alarmes de sécurité et les entraînements, sans aucun entraînement requis

Explorer les solutions

Déployer ton modèle

Exporter des modèles entraînés vers ONNX, TensorRT ou OpenVINO pour une inférence rapide sur des appareils de périphérie, du matériel mobile et des serveurs cloud

Exporter et déployer

Choisir le bon modèle

Comparer YOLO26, YOLO11, SAM 3, RT-DETR et toute autre architecture supportée par vitesse, précision et cas d'utilisation

Parcourir tous les modèles

Consulter l'API Python

Consulter les classes, les fonctions et les signatures de méthodes pour l'API Python, générées automatiquement à partir de la source à chaque nouvelle version

Référence de l'API

Quoi de neuf : YOLO26

La nouvelle famille de modèles d'Ultralytics offre une inférence de bout en bout sans NMS avec un meilleur compromis précision-latence par rapport à YOLO11

Découvrir YOLO26

Comment cette documentation est organisée#

La plupart des commandes de flux de travail de modèle yolo suivent une grammaire unique, yolo [TASK] MODE ARGS, où la tâche est optionnelle, et cette documentation est organisée autour de ces trois mêmes parties, plus un raccourci :

Tâche répond à la question de ce que tu veux obtenir d'une image : détection, segmentation d'instances, segmentation sémantique, estimation de profondeur, classification, estimation de pose ou boîtes orientées.
Mode répond à la question de la manière dont tu utilises un modèle : entraîner, valider, prédire, exporter, suivre ou évaluer.
Arguments configure la commande, depuis le modèle à exécuter avec model= jusqu'aux hyperparamètres comme epochs et imgsz.
Solutions est le raccourci : une application prête à l'emploi, comme le comptage d'objets ou une alarme de sécurité, qui ignore entièrement la tâche et le mode.

Tout le reste prend en charge cette grammaire : Modèles liste chaque architecture que tu peux passer à model= — YOLO26, YOLO11, SAM 3, RT-DETR, et plus encore —, Jeux de données indique sur quoi chaque tâche s'entraîne, Guides est une vaste collection de tutoriels approfondis couvrant le déploiement matériel, le réglage des hyperparamètres, la conversion de jeux de données et des parcours de projets complets, Intégrations connecte le pipeline aux outils d'entraînement et de déploiement que tu utilises déjà, et la section Référence documente chaque classe et fonction de l'API Python.

Au-delà du package Python, deux autres surfaces fonctionnent sur les mêmes modèles : la plateforme Ultralytics pour l'annotation, l'entraînement et le déploiement dans le cloud, et Ultralytics Inference, une bibliothèque Rust autonome et une CLI pour exécuter des modèles exportés sans environnement d'exécution Python.

Licences YOLO : Comment YOLO d'Ultralytics est-il sous licence ?#

Ultralytics propose deux options de licence pour s'adapter à divers cas d'utilisation :

Licence AGPL-3.0 : Cette licence open source approuvée par l'OSI est idéale pour les étudiants et les passionnés, favorisant la collaboration ouverte et le partage des connaissances. Consulte le fichier LICENSE pour plus de détails.
Licence d'entreprise : Pour le développement et la production, cette licence permet l'intégration transparente du logiciel et des modèles d'IA Ultralytics dans les produits et services professionnels, y compris les outils internes, les flux de travail automatisés et les déploiements en production, en contournant les exigences open source de l'AGPL-3.0. Pour commencer, contacte-nous via les Licences Ultralytics.

Notre stratégie de licence est conçue pour garantir que toute amélioration apportée à nos projets open-source soit rendue à la communauté. Nous croyons en l'open source et notre mission est de garantir que nos contributions puissent être utilisées et étendues de manière à profiter à tous.

FAQ#

Qu'est-ce que YOLO d'Ultralytics et comment améliore-t-il la détection d'objets ?#

Ultralytics YOLO est la célèbre série YOLO (You Only Look Once) pour la détection d'objets en temps réel et la segmentation d'images. Le dernier modèle en date, YOLO26, s'appuie sur les versions précédentes en introduisant une inférence de bout en bout sans NMS et un déploiement optimisé pour la périphérie. YOLO prend en charge diverses tâches d'IA de vision telles que la détection, la segmentation d'instances, la segmentation sémantique, l'estimation de profondeur, la classification, l'estimation de pose et le suivi. Son architecture efficace garantit une vitesse et une précision excellentes, ce qui le rend adapté à diverses applications, notamment les appareils de périphérie et les API cloud.

Comment puis-je commencer avec l'installation et la configuration de YOLO ?#

Commencer avec YOLO est rapide et simple. Installe le package Ultralytics depuis pip avec pip install ultralytics, puis lance ta première prédiction avec yolo predict model=yolo26n.pt — les poids du modèle se téléchargent automatiquement. Pour des instructions complètes couvrant conda, Docker et l'installation à partir des sources, visite la page de démarrage rapide.

Comment puis-je entraîner un modèle YOLO personnalisé sur mon jeu de données ?#

L'entraînement d'un modèle YOLO personnalisé sur ton jeu de données implique quelques étapes détaillées :

Prépare ton jeu de données annoté et décris-le dans un fichier YAML de jeu de données.
Charge un modèle pré-entraîné, par exemple YOLO("yolo26n.pt") en Python.
Commence l'entraînement avec model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640), ou depuis la ligne de commande avec yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.

Pour un guide pas à pas détaillé, consulte notre guide Entraîner un modèle, qui comprend des exemples et des conseils pour optimiser ton processus d'entraînement.

Quelles sont les options de licence disponibles pour YOLO d'Ultralytics ?#

Ultralytics propose deux options de licence pour YOLO :

Licence AGPL-3.0 : Cette licence open-source est idéale pour un usage éducatif et non commercial, favorisant la collaboration ouverte.
Licence Entreprise : Pour le développement et l'usage en production, y compris les outils internes, les flux de travail automatisés et les déploiements en production, contournant les exigences open-source de l'AGPL-3.0.

Pour plus de détails, visite notre page de licences.

Comment YOLO d'Ultralytics peut-il être utilisé pour le suivi d'objets en temps réel ?#

Ultralytics YOLO prend en charge le suivi multi-objets efficace et personnalisable. Appelle YOLO("yolo26n.pt").track(source="path/to/video.mp4") en Python, ou exécute yolo track source=path/to/video.mp4 depuis la ligne de commande — les deux fonctionnent avec des fichiers vidéo, des flux en direct et l'entrée d'une webcam. Pour un guide détaillé sur la configuration et l'exécution du suivi d'objets, consulte notre documentation sur le mode de suivi, qui explique la configuration et les applications pratiques dans des scénarios en temps réel.