Modèles pris en charge par Ultralytics

Bienvenue dans la documentation des modèles d'Ultralytics ! Nous offrons une prise en charge pour une large gamme de modèles, chacun étant adapté à des tâches spécifiques telles que la détection d'objets, la segmentation d'instances, la classification d'images, l'estimation de pose et le suivi multi-objets. Si vous souhaitez contribuer votre architecture de modèle à Ultralytics, consultez notre Guide de contribution.

Modèles phares

Voici quelques-uns des principaux modèles pris en charge :

1. YOLOv3 : Troisième itération de la famille de modèles YOLO, créée à l'origine par Joseph Redmon, reconnue pour ses capacités efficaces de détection d'objets en temps réel.
2. YOLOv4 : Une mise à jour native de Darknet vers YOLOv3, publiée par Alexey Bochkovskiy en 2020.
3. YOLOv5 : Une version améliorée de l'architecture YOLO par Ultralytics, offrant de meilleurs compromis en termes de performances et de vitesse par rapport aux versions précédentes.
4. YOLOv6: Publié par Meituan en 2022, et utilisé dans de nombreux robots de livraison autonomes de l'entreprise.
5. YOLOv7: Modèles YOLO mis à jour, publiés en 2022 par les auteurs de YOLOv4. Seule l'inférence est prise en charge.
6. YOLOv8 : Un modèle polyvalent doté de capacités améliorées telles que la segmentation d'instance, l'estimation de la pose/des points clés et la classification.
7. YOLOv9 : Un modèle expérimental entraîné sur la base de code Ultralytics YOLOv5 implémentant l'information de gradient programmable (PGI).
8. YOLOv10: Développé par l'université de Tsinghua, avec un entraînement sans NMS et une architecture axée sur l'efficacité et la précision, offrant des performances et une latence de pointe.
9. YOLO11 : Les modèles YOLO d'Ultralytics offrant des performances élevées pour de multiples tâches, notamment la detect, la segment, l'estimation de pose, le track et la classification.
10. YOLO26 🚀 NOUVEAU : Le dernier modèle YOLO de nouvelle génération d'Ultralytics, optimisé pour le déploiement en périphérie avec une inférence de bout en bout sans NMS.
11. Segment Anything Model (SAM) : Le modèle original Segment Anything Model (SAM) de Meta.
12. Segment Anything Model 2 (SAM2): La prochaine génération du Segment Anything Model de Meta pour les vidéos et les images.
13. Segment Anything Model 3 (SAM3) 🚀 NOUVEAU : Le modèle Segment Anything de troisième génération de Meta avec segmentation conceptuelle prompte pour la segmentation basée sur des invites textuelles et des exemplaires d'images.
14. Mobile Segment Anything Model (MobileSAM) : MobileSAM pour les applications mobiles, par l'université de Kyung Hee.
15. Fast Segment Anything Model (FastSAM) : FastSAM par Image & Video Analysis Group, Institute of Automation, Chinese Academy of Sciences.
16. YOLO-NAS: Modèles YOLO Neural Architecture Search (NAS).
17. Transformateurs de détection en temps réel (RT-DETR) : Modèles PaddlePaddle de Baidu de transformateur de détection en temps réel (RT-DETR).
18. YOLO-World : Modèles de détection d'objets en vocabulaire ouvert en temps réel de Tencent AI Lab.
19. YOLOE : Un détecteur d'objets à vocabulaire ouvert amélioré qui maintient les performances en temps réel de YOLO tout en détectant des classes arbitraires au-delà de ses données d'entraînement.

Regarder : Exécutez les modèles Ultralytics YOLO en quelques lignes de code seulement.

Premiers pas : Exemples d'utilisation

Cet exemple fournit des exemples simples d'entraînement et d'inférence YOLO. Pour une documentation complète sur ces modes et d'autres, consultez les pages de documentation Predict, Train, Val et Export.

Notez que l'exemple ci-dessous met en évidence les modèles Detect YOLO11 pour la détection d'objets. Pour d'autres tâches prises en charge, consultez les documents Segment, Classify et Pose.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLO26n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo26n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLO26n model and run inference on the 'bus.jpg' image
yolo predict model=yolo26n.pt source=path/to/bus.jpg

Contribuer avec de nouveaux modèles

Vous souhaitez contribuer votre modèle à Ultralytics ? Excellent ! Nous sommes toujours ouverts à l'élargissement de notre portefeuille de modèles.

1. Fork du dépôt : Commencez par forker le dépôt GitHub Ultralytics.

2. Clonez votre fork : Clonez votre fork sur votre machine locale et créez une nouvelle branche sur laquelle travailler.

3. Implémentez votre modèle : Ajoutez votre modèle en respectant les normes de codage et les directives fournies dans notre Guide de contribution.

4. Testez minutieusement : Assurez-vous de tester rigoureusement votre modèle, à la fois isolément et dans le cadre du pipeline.

5. Créez une demande de pull request : Une fois que vous êtes satisfait de votre modèle, créez une pull request vers le dépôt principal pour examen.

6. Revue de code et fusion : Après examen, si votre modèle répond à nos critères, il sera fusionné dans le dépôt principal.

Pour des étapes détaillées, consultez notre Guide de contribution.

FAQ

Quel est le dernier modèle Ultralytics YOLO ?

Le dernier modèle Ultralytics YOLO est YOLO26, sorti en janvier 2026. YOLO26 offre une inférence de bout en bout sans NMS, un déploiement optimisé en périphérie, et prend en charge les cinq tâches (detect, segment, classification, estimation de pose et OBB) ainsi que des versions à vocabulaire ouvert. Pour les charges de travail de production stables, YOLO26 et YOLO11 sont des choix recommandés.

Comment puis-je entraîner un modèle YOLO sur des données personnalisées ?

L'entraînement d'un modèle YOLO sur des données personnalisées peut être facilement accompli en utilisant les bibliothèques d'Ultralytics. Voici un exemple rapide :

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.pt")  # or any other YOLO model

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

yolo train model=yolo26n.pt data='custom_data.yaml' epochs=100 imgsz=640

Pour des instructions plus détaillées, consultez la page de documentation Train.

Quelles versions de YOLO sont prises en charge par Ultralytics ?

Ultralytics prend en charge une gamme complète de versions de YOLO (You Only Look Once) de YOLOv3 à YOLO11, ainsi que des modèles tels que YOLO-NAS, SAM et RT-DETR. Chaque version est optimisée pour diverses tâches telles que la detect, la segment et la classification. Pour des informations détaillées sur chaque modèle, consultez la documentation Modèles pris en charge par Ultralytics.

Pourquoi devrais-je utiliser la plateforme Ultralytics pour mes projets d'apprentissage automatique ?

La plateforme Ultralytics offre une plateforme sans code, de bout en bout, pour l'entraînement, le déploiement et la gestion des modèles YOLO. Elle simplifie les flux de travail complexes, permettant aux utilisateurs de se concentrer sur les performances et l'application du modèle. Le HUB offre également des capacités d'entraînement dans le cloud, une gestion complète des jeux de données et des interfaces conviviales pour les débutants comme pour les développeurs expérimentés.

Quels types de tâches les modèles Ultralytics YOLO peuvent-ils effectuer ?

Les modèles Ultralytics YOLO sont polyvalents et peuvent effectuer des tâches telles que la détection d'objets, la segmentation d'instances, la classification, l'estimation de pose et la détection d'objets orientés (OBB). Le dernier modèle, YOLO26, prend en charge les cinq tâches ainsi que la détection à vocabulaire ouvert. Pour plus de détails sur les tâches spécifiques, consultez les pages des tâches.

📅 Créé il y a 2 ans ✏️ Mis à jour il y a 6 jours

Commentaires