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 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, disponible dans un seul package Python et une seule CLI. YOLO26 repose sur les avancées en apprentissage profond et en vision par ordinateur, avec une inférence de bout en bout sans NMS facultative et un déploiement optimisé en périphérie. Sa conception simplifiée convient à diverses applications et s’adapte facilement à différentes plateformes matérielles, des appareils périphériques aux API cloud. Pour les charges de travail de production stables, YOLO26 et YOLO11 sont recommandés.
Explore la documentation Ultralytics, une ressource complète consacrée au package YOLO et à la CLI, ainsi qu’à la plateforme Ultralytics, qui ajoute l’annotation des données, l’entraînement dans le cloud et le déploiement sur ces mêmes modèles. Que tu sois un spécialiste chevronné du machine learning 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 un usage commercial auprès de Ultralytics Licensing.
Explore l’aperçu de YOLO27, avec des détails sur l’architecture, des benchmarks préliminaires et des exemples d’utilisation après sa sortie. Les modèles font l’objet des derniers travaux 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, avec une distance en mètres pour chaque pixel.
Démarre 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 sont téléchargés automatiquement, et le résultat annoté est enregistré dans le répertoire indiqué par la commande, runs/detect/predict lors de la première exécution.
Consulte le guide de démarrage rapide pour découvrir toutes les méthodes d’installation et effectuer ta première prédiction.
Que veux-tu faire ?#
Ajuster un modèle YOLO26 préentraîné sur ton propre jeu de données, en réglant l’augmentation et les hyperparamètres pour l’entraînement multi-GPU
Charger un modèle préentraîné et obtenir des boîtes englobantes, des masques ou des points clés en quelques lignes de Python ou avec une seule commande CLI
Suivre des objets avec des ID persistants à l’aide de 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 alertes de sécurité et les entraînements, sans entraînement nécessaire
Exporter des modèles entraînés vers ONNX, TensorRT ou OpenVINO pour une inférence rapide sur les appareils périphériques, le matériel mobile et les serveurs cloud
Comparer YOLO26, YOLO11, SAM 3, RT-DETR et toutes les autres architectures prises en charge en fonction de la vitesse, de la précision et du cas d’usage
Consulter les classes, fonctions et 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 offre une inférence de bout en bout sans NMS facultative et un meilleur compromis entre précision et latence que YOLO11
Organisation de cette documentation#
La plupart des commandes de yolo pour les flux de travail des modèles suivent une même syntaxe, yolo [TASK] MODE ARGS, où Task est facultatif. Cette documentation s’organise autour des mêmes trois éléments, auxquels s’ajoute un raccourci :
- Task répond à la question quoi extraire d’une image : détection, segmentation d’instances, segmentation sémantique, estimation de profondeur, classification, estimation de pose ou boîtes orientées.
- Mode répond à la question comment utiliser un modèle : l’entraîner, le valider, effectuer une prédiction, l’exporter, effectuer un suivi ou le comparer à l’aide d’un benchmark.
- Arguments 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 ignore complètement 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 d’autres —, Jeux de données fournit les données utilisées pour entraîner chaque Task, Guides rassemble des tutoriels détaillés sur le déploiement matériel, le réglage des hyperparamètres, la conversion des jeux de données et les parcours complets de projets, 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.
En plus du package Python, deux autres interfaces reposent sur les mêmes modèles : la plateforme Ultralytics pour l’annotation, l’entraînement et le déploiement dans le cloud, ainsi qu’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 divers cas d’usage :
- Licence AGPL-3.0 : cette licence open source approuvée par l’OSI est idéale pour les étudiants et les passionnés ; elle encourage la collaboration ouverte et le partage des connaissances. Consulte le fichier LICENSE pour en savoir plus.
- Licence Enterprise : destinée au développement et à la production, cette licence permet d’intégrer facilement les logiciels et modèles d’IA Ultralytics aux produits et services commerciaux, notamment aux outils internes, aux flux de travail automatisés et aux 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 toute amélioration apportée à nos projets open source soit reversée à la communauté. Nous croyons à l’open source, et notre mission est de faire en sorte que nos contributions puissent être utilisées et enrichies au bénéfice de tous.
FAQ#
Ultralytics YOLO est la célèbre série YOLO (Tu ne regardes qu’une fois), consacrée 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 facultative et un déploiement optimisé en périphérie. YOLO prend en charge diverses tâches d’IA de vision, comme 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 diverses applications, notamment sur les appareils périphériques et via les API cloud.
Pour commencer avec YOLO, rien de plus 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 sont téléchargés automatiquement. Pour des instructions complètes sur conda, Docker et l’installation à partir des sources, consulte la page de démarrage rapide.L’entraînement d’un modèle YOLO personnalisé sur ton jeu de données comporte plusieurs 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")en 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 découvrir la procédure détaillée, 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 encourage la collaboration ouverte.
- Licence Enterprise : destinée au développement et à la production, notamment aux outils internes, aux flux de travail automatisés et aux déploiements en production, sans être soumise aux exigences open source de l’AGPL-3.0.
Pour en savoir plus, consulte notre page Licences.
Ultralytics YOLO prend en charge un suivi multi-objets efficace et personnalisable. Appelle
YOLO("yolo26n.pt").track(source="path/to/video.mp4")en 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 découvrir comment configurer et exécuter le suivi d’objets, consulte notre documentation sur le mode Track, qui présente la configuration et les applications pratiques en temps réel.
