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 posture, les boîtes englobantes orientées et le suivi, disponibles via un seul paquet Python et CLI. YOLO26 intègre les avancées du deep learning et de la vision par ordinateur, avec une inférence de bout en bout sans NMS et un déploiement optimisé sur les appareils périphériques. Sa conception épurée 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 paquet YOLO et la CLI 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 nouveau 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 la page de Licensing Ultralytics.
Transforme une seule photo en carte de profondeur, avec une distance en mètres pour chaque pixel.
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 obtenir la référence complète d'installation et d'utilisation.
Que veux-tu faire ?#
Affiner un modèle pré-entraîné YOLO26 sur ton propre jeu de données, en ajustant l'augmentation et les hyperparamètres pour l'entraînement multi-GPU
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
Suivre des objets avec des identifiants 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 aucun entraînement requis
Exporter des modèles entraînés vers ONNX, TensorRT ou OpenVINO pour une inférence rapide sur les appareils de périphérie, le matériel mobile et les serveurs cloud
Comparer YOLO26, YOLO11, SAM 3, RT-DETR et toutes les autres architectures prises en charge selon la vitesse, la précision et le cas d'utilisation
Consulter les classes, les fonctions et les signatures de méthode pour l'API Python, générées automatiquement à partir du code source à chaque nouvelle version
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
Comment cette documentation est organisée#
La plupart des commandes de flux de travail de modèles yolo suivent une grammaire unique, yolo [TASK] MODE ARGS, où la tâche est facultative, et cette documentation est organisée autour de ces trois mêmes parties, plus un raccourci :
- Tâche répond à ce que tu veux obtenir d'une image : détection, segmentation d'instances, segmentation sémantique, estimation de profondeur, classification, estimation de posture ou boîtes orientées.
- Mode répond à la manière dont tu utilises un modèle : entraîner, valider, prédire, exporter, suivre ou évaluer.
- Arguments configure la commande, du modèle à exécuter avec
model=aux hyperparamètres tels queepochsetimgsz. - Solutions est le raccourci : une application terminée, comme le comptage d'objets ou une alarme de sécurité, qui ignore complètement la tâche et le mode.
Tout le reste prend en charge cette grammaire : Modèles liste toutes les architectures que tu peux passer à model= — YOLO26, YOLO11, SAM 3, RT-DETR, et plus encore —, Jeux de données fournit ce sur quoi chaque tâche s'entraîne, Guides est une vaste collection de guides pratiques approfondis couvrant le déploiement matériel, le réglage des hyperparamètres, la conversion de jeux de données et des visites complètes 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.
Au-delà du paquet Python, deux autres surfaces s'exécutent 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 Ultralytics YOLO est-il sous licence ?#
Ultralytics propose deux options de licence pour répondre 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, car elle favorise la collaboration ouverte et le partage des connaissances. Consulte le fichier LICENSE pour plus de détails.
- Licence Entreprise : pour le développement et l’utilisation en production, cette licence permet d’intégrer facilement les logiciels et modèles d’IA Ultralytics dans les produits et services d’une entreprise, 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 commencer, contacte-nous via Ultralytics Licensing.
Notre stratégie de licence est conçue pour garantir que toute amélioration apportée à nos projets open-source soit restituée à la communauté. Nous croyons en l'open source, et notre mission est de veiller à ce que nos contributions puissent être utilisées et développées d'une manière qui profite à tout le monde.
FAQ#
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, YOLO26, s'appuie sur les versions précédentes en introduisant une inférence de bout en bout sans NMS et un déploiement optimisé sur les appareils périphériques. YOLO prend en charge diverses tâches de vision par IA telles que la détection, la segmentation d'instances, la segmentation sémantique, l'estimation de profondeur, la classification, l'estimation de posture et les boîtes englobantes orientées, et peut suivre les objets détectés à travers les images vidéo. Son architecture efficace garantit une excellente vitesse et précision, ce qui le rend adapté à diverses applications, y compris les appareils de périphérie et les API cloud.
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. - 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 un guide pas à pas détaillé, consulte notre guide Entraîner un modèle, qui comprend des exemples et des astuces 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, favorisant la collaboration ouverte.
- Licence d'entreprise : Pour un usage en développement et en production, 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 plus de détails, visite notre page de Licences.
Ultralytics YOLO prend en charge le suivi multi-objet 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 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 Suivi, qui explique la configuration et les applications pratiques dans des scénarios en temps réel.
Commencer avec YOLO est rapide et simple. Installe le paquet Ultralytics depuis pip avec
pip install ultralytics, puis exécute ta première prédiction avecyolo 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.