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

Link to this sectionDocumentation 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, la classification, l'estimation de pose, les boîtes englobantes orientées et le suivi, accessibles via un package Python et une CLI. YOLO26 est construit sur les avancées de l'apprentissage profond et de la vision par ordinateur, avec une inférence de bout en bout sans NMS et un déploiement optimisé en périphérie. Sa conception rationalisée le rend adapté à diverses applications et facilement adaptable à différentes plates-formes matérielles, des appareils de périphérie aux API cloud. Pour des charges de travail de production stables, YOLO26 et YOLO11 sont recommandés.

Explore la documentation d'Ultralytics, une ressource complète couvrant le package YOLO et la CLI ainsi que la plate-forme Ultralytics, qui ajoute l'annotation de données, l'entraînement dans le cloud et le déploiement sur les mêmes modèles. Que tu sois un praticien chevronné de l'apprentissage automatique ou nouveau dans le domaine, ce hub vise à t'aider à tirer le meilleur parti de YOLO dans tes projets.

Demande une licence entreprise pour un usage commercial sur Ultralytics Licensing.

Link to this sectionCommence 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 Quickstart pour obtenir la référence complète d'installation et d'utilisation.

Link to this sectionQue veux-tu faire ?#

Link to this sectionComment cette documentation est organisée#

La plupart des commandes yolo du flux de travail des modèles suivent une grammaire, yolo [TASK] MODE ARGS, où Task est optionnel, et cette documentation est organisée autour des trois mêmes parties, plus un raccourci :

• Tâche répond à la question ce que tu attends d'une image : détection, segmentation d'instance, segmentation sémantique, classification, estimation de pose ou boîtes orientées.
• Mode répond à la question comment tu utilises un modèle : entraîner, valider, prédire, exporter, suivre ou évaluer.
• Args configure la commande, du model à exécuter avec model= aux hyperparamètres comme epochs et imgsz.
• Solutions est le raccourci : une application terminée, comme le comptage d'objets ou une alarme de sécurité, qui ignore complètement Task et Mode.

Tout le reste supporte cette grammaire : Models liste chaque architecture que tu peux passer à model= — YOLO26, YOLO11, SAM 3, RT-DETR, et plus — Datasets fournit ce sur quoi chaque Task s'entraîne, Guides est une vaste collection de procédures détaillées couvrant le déploiement matériel, l'ajustement des hyperparamètres, la conversion de jeux de données et des visites complètes de projets, Integrations connecte le pipeline aux outils d'entraînement et de déploiement que tu utilises déjà, et la section Reference documente chaque classe et fonction de l'API Python.

Au-delà du package Python, deux autres surfaces fonctionnent sur les mêmes modèles : la plate-forme 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 runtime Python.

Link to this sectionLicences 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 Entreprise : Pour une utilisation en développement et en production, cette licence permet une intégration transparente des logiciels et des modèles d'IA d'Ultralytics dans des produits et services commerciaux, 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 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.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que YOLO d'Ultralytics et comment améliore-t-il la détection d'objets ?#

YOLO d'Ultralytics est la série acclamée YOLO (You Only Look Once) pour la détection d'objets et 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 et un déploiement optimisé en edge. YOLO prend en charge diverses vision AI tasks telles que la detection, l'instance segmentation, la semantic segmentation, l'pose estimation, le tracking et la classification. Son architecture efficace assure une excellente vitesse et précision, le rendant adapté à diverses applications, notamment les appareils edge et les API cloud.

Link to this sectionComment puis-je commencer avec l'installation et la configuration de YOLO ?#

Démarrer avec YOLO est rapide et simple. Installe le package Ultralytics depuis pip avec pip install ultralytics, puis exécute 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 de la source, visite la page Quickstart.

Link to this sectionComment 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 :

1. Prépare ton jeu de données annoté et décris-le dans un fichier YAML de jeu de données.
2. Charge un modèle pré-entraîné, par exemple YOLO("yolo26n.pt") en Python.
3. Démarre 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 une procédure détaillée, consulte notre guide Train a Model, qui inclut des exemples et des conseils pour optimiser ton processus d'entraînement.

Link to this sectionQuelles 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 Licensing.

Link to this sectionComment 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 une entrée webcam. Pour un guide détaillé sur la configuration et l'exécution du suivi d'objets, consulte notre documentation Track Mode, qui explique la configuration et les applications pratiques dans des scénarios en temps réel.