中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Documentation Ultralytics YOLO#
Ultralytics YOLO est une famille de modèles de vision par ordinateur en temps réel conçus 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, accessibles depuis un même package Python et une même CLI. YOLO26 s’appuie sur les avancées de l’apprentissage profond et de la vision par ordinateur, avec une inférence de bout en bout sans NMS en option et un déploiement optimisé sur les appareils périphériques. Sa conception rationalisée le rend adapté à diverses applications et facilement adaptable à différentes plateformes matérielles, des appareils périphériques aux API cloud. Pour les charges de travail de production stables, YOLO26 et YOLO11 sont tous deux recommandés.
Explore la documentation Ultralytics, une ressource complète couvrant le package YOLO et la CLI, ainsi que la plateforme Ultralytics, qui ajoute l’annotation des données, l’entraînement dans le cloud et le déploiement aux mêmes modèles. Que tu sois un spécialiste chevronné de l’apprentissage automatique ou que tu débutes dans ce domaine, ces ressources t’aident à tirer le meilleur parti de YOLO dans tes projets.
Demande une licence Enterprise pour une utilisation commerciale auprès de Ultralytics Licensing.
Explore l’aperçu de YOLO27, qui comprend des détails sur l’architecture, des benchmarks préliminaires et des exemples d’utilisation après sa sortie. Les modèles font l’objet des dernières activités de R&D en vue d’un lancement prévu plus tard cette année ; ils ne sont pas encore disponibles et aucune date de lancement n’a été fixée.
Transforme une seule photo en carte de profondeur indiquant une distance en mètres pour chaque pixel.
Commence avec 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 sont téléchargés automatiquement, et le résultat annoté est enregistré dans le répertoire affiché par la commande ; lors d’une première exécution, il s’agit de runs/detect/predict.
Consulte le guide de démarrage rapide pour découvrir toutes les méthodes d’installation et effectuer ta première prédiction.
Que veux-tu faire ?#
Affiner un modèle YOLO26 préentraîné sur ton propre jeu de données, en réglant l’augmentation et les hyperparamètres pour l’entraînement multi-GPU
Charge un modèle préentraîné et obtiens des boîtes englobantes, des masques ou des points clés en quelques lignes de Python ou avec une seule commande CLI
Suis les objets avec des ID persistants en utilisant TrackTrack (par défaut), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT ou FastTracker
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 entraînement requis
Exporte les modèles entraînés vers ONNX, TensorRT ou OpenVINO pour effectuer des inférences rapides sur des appareils périphériques, du matériel mobile et des serveurs cloud
Compare YOLO26, YOLO11, SAM 3, RT-DETR et toutes les autres architectures prises en charge selon leur vitesse, leur précision et leur cas d’utilisation
Consulte les classes, les fonctions et les signatures de méthodes de l’API Python, générées automatiquement à partir du code source à chaque nouvelle version
La dernière famille de modèles publiée par Ultralytics propose une inférence de bout en bout sans NMS en option et un meilleur compromis entre précision et latence que YOLO11
Organisation de cette documentation#
La plupart des commandes de workflow de modèle yolo suivent une même syntaxe, yolo [TASK] MODE ARGS, où Task est facultatif ; cette documentation est organisée autour de ces trois mêmes éléments, auxquels s’ajoute un raccourci :
- Task indique ce que tu veux obtenir à partir d’une image : détection, segmentation d’instances, segmentation sémantique, estimation de profondeur, classification, estimation de pose ou boîtes orientées.
- Mode indique comment tu utilises un modèle : entraîner, valider, prédire, exporter, suivre ou évaluer les performances.
- Args configure la commande, du modèle à exécuter avec
model=aux hyperparamètres commeepochsetimgsz. - Solutions est le raccourci : une application prête à l’emploi, comme le comptage d’objets ou une alarme de sécurité, qui évite entièrement Task et Mode.
Tout le reste complète cette syntaxe : Modèles répertorie toutes les architectures que tu peux transmettre à model= — YOLO26, YOLO11, SAM 3, RT-DETR et bien d’autres —, Jeux de données présente les données utilisées pour entraîner chaque Task, Guides rassemble de nombreux tutoriels détaillés sur le déploiement matériel, le réglage des hyperparamètres, la conversion des jeux de données et les étapes complètes d’un projet, 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 interfaces utilisent 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 permettant d’exécuter des modèles exportés sans environnement d’exécution Python.
Licences YOLO : quelle est la licence d’Ultralytics YOLO ?#
Ultralytics propose deux options de licence pour répondre à différents cas d’utilisation :
- Licence AGPL-3.0 : cette licence open source approuvée par l’OSI est idéale pour les étudiants et les passionnés, car elle favorise la collaboration ouverte et le partage des connaissances. Consulte le fichier LICENSE pour en savoir plus.
- Licence Enterprise : pour le développement et la production, cette licence permet d’intégrer facilement les logiciels et les modèles d’IA Ultralytics dans des produits et services commerciaux, notamment des outils internes, des workflows automatisés et des déploiements en production, sans être soumis aux exigences open source de l’AGPL-3.0. Pour commencer, contacte-nous via Ultralytics Licensing.
Notre stratégie de licence vise à garantir que toutes les améliorations apportées à nos projets open source soient reversées à la communauté. Nous croyons en l’open source, et notre mission consiste à veiller à ce que nos contributions puissent être utilisées et développées de manière à profiter à tout le monde.
FAQ#
Ultralytics YOLO est la célèbre série YOLO (Vous ne regardez qu’une seule fois), destinée à la détection d’objets et à la segmentation d’images en temps réel. Le dernier modèle, YOLO26, s’appuie sur les versions précédentes en introduisant une inférence de bout en bout sans NMS en option et un déploiement optimisé sur les appareils périphériques. YOLO prend en charge diverses tâches d’IA visuelle, telles que la détection, la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur, la classification, l’estimation de pose et les boîtes englobantes orientées, et peut suivre les objets détectés d’une image vidéo à l’autre. Son architecture efficace garantit une excellente vitesse et une grande précision, ce qui la rend adaptée à de nombreuses applications, notamment sur des appareils périphériques et via des API cloud.
L’entraînement d’un modèle YOLO personnalisé sur ton jeu de données comporte quelques étapes détaillées :
- Prépare ton jeu de données annoté et décris-le dans un fichier YAML de jeu de données.
- Charge un modèle préentraîné, par exemple
YOLO("yolo26n.pt")dans Python. - Lance l’entraînement avec
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640), ou depuis la ligne de commande avecyolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.
Pour suivre les étapes en détail, consulte notre guide Entraîner un modèle, qui comprend des exemples et des conseils pour optimiser ton processus d’entraînement.
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, et favorise la collaboration ouverte.
- Licence Enterprise : pour le développement et la production, notamment les outils internes, les workflows automatisés et les déploiements en production, sans être soumis aux exigences open source de l’AGPL-3.0.
Pour en savoir plus, consulte notre page Licences.
Ultralytics YOLO prend en charge le suivi multi-objets, efficace et personnalisable. Appelle
YOLO("yolo26n.pt").track(source="path/to/video.mp4")dans Python, ou exécuteyolo track source=path/to/video.mp4depuis la ligne de commande : les deux fonctionnent avec des fichiers vidéo, des flux en direct et les images d’une webcam. Pour consulter un guide détaillé sur la configuration et l’exécution du suivi d’objets, consulte notre documentation sur le mode Suivi, qui explique la configuration et les applications pratiques en temps réel.
La prise en main de YOLO est rapide et simple. Installe le package Ultralytics depuis pip avec
pip install ultralytics, puis effectue ta première prédiction avecyolo predict model=yolo26n.pt: les poids du modèle se téléchargent automatiquement. Pour obtenir des instructions complètes couvrant conda, Docker et l’installation à partir des sources, consulte la page de démarrage rapide.