Modèles pris en charge par Ultralytics#
Bienvenue dans la documentation des modèles Ultralytics ! Nous prenons en charge un large éventail de modèles, chacun conçu pour des tâches spécifiques comme la détection d’objets, la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur, la classification d’images, l’estimation de pose et les boîtes englobantes orientées. Si tu souhaites contribuer à l’architecture de ton modèle à Ultralytics, consulte notre Guide de contribution.
Modèles à la une#
Commence ton nouveau projet avec YOLO26 : c’est la dernière version d’Ultralytics et le seul modèle qui couvre les sept tâches. YOLO11 est l’alternative éprouvée, avec des points de contrôle préentraînés pour chacune de ses cinq tâches. Choisis une famille spécialisée uniquement si tu as besoin de segmentation guidée par des prompts (SAM 3), de détection à vocabulaire ouvert (YOLOE, YOLO-World) ou d’un détecteur Transformer (RT-DETR).
YOLO27 est en phase finale de R&D et devrait être lancé plus tard cette année, sans date de lancement fixée. Découvre son architecture, les sept tâches prévues et les premiers benchmarks. Les poids du modèle et la prise en charge par le package ne sont pas encore disponibles ; utilise YOLO26 pour tes projets actuels.
Le tableau répertorie les modèles publiés et les références d’architecture, avec leurs tâches, les modes train, val, predict et export pris en charge, ainsi que les cas d’utilisation recommandés. Track n’est pas répertorié séparément : il s’exécute sur predict pour les modèles Detect, Segment, Pose et OBB, tandis que SAM 2 et SAM 3 assurent le suivi avec leurs propres prédicteurs vidéo. Benchmark n’est pas répertorié non plus, car il combine export et val pour différents formats plutôt que d’ajouter sa propre prise en charge.
| Modèle | Tâches | Modes | À choisir pour |
|---|---|---|---|
| YOLO26 🚀 NOUVEAU | Détection, segmentation, segmentation sémantique, profondeur, classification, pose, OBB | Train, Val, Predict, Export | Nouveaux projets : inférence sans NMS en option, déploiement optimisé pour l’edge et couverture des tâches la plus large |
| YOLO12 | Détection, segmentation, classification, pose, OBB | Train, Val, Predict, Export | Évaluation comparative de la version communautaire axée sur l’attention ; les poids préentraînés couvrent uniquement la détection |
| YOLO11 | Détection, segmentation, classification, pose, OBB | Train, Val, Predict, Export | Charges de travail de production stables, avec des points de contrôle préentraînés pour chaque tâche prise en charge |
| YOLOv10 | Détection | Train, Val, Predict, Export | Recherche sur la détection sans NMS de l’université Tsinghua |
| YOLOv9 | Détection, segmentation | Train, Val, Predict, Export | Informations de gradient programmables (PGI), implémentées sur la base de code YOLOv5 d’Ultralytics |
| YOLOv8 | Détection, segmentation, classification, pose, OBB | Train, Val, Predict, Export | Pipelines YOLOv8 existants et intégrations tierces éprouvées |
| YOLOv7 | Détection | Prédiction | Exécution d’un modèle YOLOv7 exporté et entraîné en amont : le package effectue des prédictions à partir d’un modèle ONNX ou TensorRT compatible, jamais à partir du point de contrôle natif |
| YOLOv6 | Détection | Train, Val, Predict, Export | Entraînement de l’architecture de Meituan à partir de son fichier YAML ; Ultralytics n’héberge aucun point de contrôle YOLOv6 .pt |
| YOLOv5 | Détection | Train, Val, Predict, Export | Anciens projets Ultralytics ; les versions actuelles chargent les points de contrôle YOLOv5u mis à jour |
| YOLOv4 | Aucun | Aucun | Référence d’architecture uniquement : le modèle natif Darknet d’Alexey Bochkovskiy n’est pas pris en charge par le package |
| YOLOv3 | Détection | Train, Val, Predict, Export | Anciens projets basés sur l’architecture d’origine de Joseph Redmon ; les versions actuelles chargent les points de contrôle YOLOv3u mis à jour |
| SAM 3 🚀 NOUVEAU | Segmentation | Prédiction | Segmentation de concepts guidée par des prompts de Meta pour les images et les vidéos, à partir d’exemples textuels ou visuels ; sam3.pt et sam3.1_multiplex.pt de SAM 3.1 (images) nécessitent une autorisation d’accès sur Hugging Face |
| SAM 2 | Segmentation | Prédiction | Segmentation de Meta guidée par des prompts, avec suivi des objets d’une image vidéo à l’autre |
| SAM | Segmentation | Prédiction | Segmentation originale de Meta guidée par des prompts, y compris l’annotation automatique |
| MobileSAM | Segmentation | Prédiction | Segmentation guidée par des prompts sur mobile et d’autres appareils aux ressources limitées (université Kyung Hee) |
| FastSAM | Segmentation | Val, Predict, Export | Segmentation guidée par des prompts basée sur un CNN lorsque la latence de SAM devient un goulot d’étranglement (Académie chinoise des sciences) |
| YOLO-NAS | Détection | Val, Predict, Export | Détecteurs de Deci optimisés par NAS, conservés pour l’inférence et l’export ; Deci ne les maintient plus depuis son acquisition par NVIDIA |
| RT-DETR | Détection | Train, Val, Predict, Export | Détecteur DETR en temps réel de Baidu : un backbone convolutionnel associé à un encodeur Transformer hybride |
| YOLO-World | Détection | Train, Val, Predict, Export | Détection à vocabulaire ouvert à partir de prompts textuels (Tencent AI Lab) ; l’export nécessite les points de contrôle -worldv2 |
| YOLOE | Détection, segmentation | Train, Val, Predict, Export | Détection et segmentation à vocabulaire ouvert avec une inférence guidée par du texte, des éléments visuels ou sans prompt |
Ultralytics fournit également LLM, une interface compatible avec OpenAI pour les grands modèles de langage et de vision, destinée à la compréhension du texte et des images. LLM n’a ni tâches ni modes propres : il ne figure donc pas dans le tableau ci-dessus, mais s’intègre à n’importe quel pipeline YOLO et fonctionne avec OpenAI et d’autres fournisseurs cloud, ou sur un serveur entièrement local.
Regarder : Exécute des modèles Ultralytics YOLO en quelques lignes de code.
Premiers pas : exemples d’utilisation#
Cet exemple présente des exemples simples d’entraînement et d’inférence avec YOLO. Pour consulter la documentation complète sur ces modes et les autres modes, consulte les pages de documentation Predict, Train, Val et Export.
L’exemple ci-dessous met en avant les modèles YOLO26 Detect pour la détection d’objets. Pour découvrir les autres tâches prises en charge, consulte la documentation Segment, Semantic, Depth, Classify, Pose et OBB.
Les modèles *.pt préentraînés avec PyTorch ainsi que les fichiers de configuration *.yaml peuvent être transmis aux classes YOLO(), SAM(), NAS() et RTDETR() pour créer une instance de modèle en Python :
from ultralytics import YOLO
# Charger un modèle YOLO26n préentraîné sur COCO
model = YOLO("yolo26n.pt")
# Afficher les informations du modèle (facultatif)
model.info()
# Entraîner le modèle sur le jeu de données d'exemple COCO8 pendant 100 époques
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Lancer l'inférence avec le modèle YOLO26n sur l'image 'bus.jpg'
results = model("path/to/bus.jpg")Contribuer à de nouveaux modèles#
Tu souhaites contribuer ton modèle à Ultralytics ? Super ! Nous sommes toujours prêts à étoffer notre portefeuille de modèles.
-
Forker le dépôt : commence par forker le dépôt GitHub d’Ultralytics.
-
Cloner ton fork : clone ton fork sur ta machine locale et crée une nouvelle branche pour travailler.
-
Implémenter ton modèle : ajoute ton modèle en respectant les normes et les consignes de codage de notre Guide de contribution.
-
Effectuer des tests approfondis : veille à tester rigoureusement ton modèle, à la fois de manière isolée et dans le pipeline.
-
Créer une pull request : une fois satisfait de ton modèle, crée une pull request vers le dépôt principal afin qu’elle soit examinée.
-
Révision et fusion du code : après la révision, si ton modèle répond à nos critères, il sera fusionné dans le dépôt principal.
Pour connaître les étapes détaillées, consulte notre Guide de contribution.
FAQ#
Le dernier modèle Ultralytics YOLO publié est YOLO26, lancé en janvier 2026. YOLO26 propose l’inférence de bout en bout sans NMS en option, un déploiement optimisé pour l’edge et prend en charge la détection, la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur, la classification, l’estimation de pose et l’OBB, ainsi que des versions à vocabulaire ouvert. Pour les charges de travail de production stables, YOLO26 et YOLO11 sont tous deux recommandés.
YOLO27 est la prochaine famille, actuellement en phase finale de R&D. Elle n’est pas encore disponible et aucune date de lancement n’a été fixée.
Tu peux facilement entraîner un modèle YOLO avec des données personnalisées à l’aide des bibliothèques Ultralytics. Voici un exemple rapide :
Exemplefrom ultralytics import YOLO # Charger un modèle YOLO model = YOLO("yolo26n.pt") # ou tout autre modèle YOLO # Entraîner le modèle sur un jeu de données personnalisé results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)Pour obtenir des instructions plus détaillées, consulte la documentation Train.
Ultralytics prend nativement en charge YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 et YOLO26, ainsi que la famille SAM (SAM 3, SAM 2, SAM, MobileSAM et FastSAM), YOLO-NAS, RT-DETR, YOLO-World et YOLOE. Le package ne publie ni poids ni fichiers YAML pour YOLOv4 ou YOLOv7 : YOLOv4 est documenté uniquement comme référence d’architecture, tandis que YOLOv7 s’exécute en tant que modèle ONNX ou TensorRT exporté. Consulte Modèles à la une pour découvrir les tâches et les modes disponibles pour chacun.
La plateforme Ultralytics propose une plateforme complète, sans code, pour entraîner, déployer et gérer des modèles YOLO. Elle simplifie les workflows complexes et permet aux utilisateurs de se concentrer sur les performances et les applications des modèles. Elle propose également des fonctionnalités d’entraînement dans le cloud, une gestion complète des jeux de données et des interfaces faciles à utiliser, aussi bien pour les débutants que pour les développeurs expérimentés.
Les modèles Ultralytics YOLO sont polyvalents et peuvent effectuer différentes tâches, notamment la détection d’objets, la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur, la classification, l’estimation de pose et la détection d’objets orientés (OBB). Le dernier modèle, YOLO26, prend en charge ces sept tâches ainsi que la détection à vocabulaire ouvert. Pour en savoir plus sur certaines tâches, consulte les pages des tâches.