Modèles pris en charge par Ultralytics#
Bienvenue dans la documentation des modèles d'Ultralytics ! Nous offrons un support pour un large éventail de modèles, chacun adapté à des tâches spécifiques telles que la détection d'objets, la segmentation d'instances, la segmentation sémantique, l'estimation de profondeur, la classification d'images, l'estimation de pose et le suivi multi-objets. Si tu souhaites contribuer en ajoutant ton architecture de modèle à Ultralytics, consulte notre guide de contribution.
Modèles en vedette#
Commence par YOLO26 pour un nouveau projet : c'est la dernière version d'Ultralytics et la seule couvrant l'ensemble des sept tâches. YOLO11 est l'alternative mature, avec des points de contrôle pré-entraînés pour chacune de ses cinq tâches. Choisis une famille spécialisée uniquement lorsque tu as besoin d'une segmentation guidée par invite (SAM 3), d'une détection à vocabulaire ouvert (YOLOE, YOLO-World), ou d'un détecteur par transformer (RT-DETR).
Le tableau répertorie chaque modèle documenté ainsi que les tâches qu'il couvre, les modes parmi train, val, predict et export pris en charge par Ultralytics pour celui-ci, et le moment de le choisir. Track n'est pas répertorié séparément : il s'exécute par-dessus predict pour les modèles Detect, Segment, Pose et OBB, tandis que SAM 2 et SAM 3 effectuent le suivi via leurs propres prédicteurs vidéo. Benchmark n'est pas répertorié non plus, car il enveloppe export et val à travers différents formats plutôt que d'ajouter son propre support.
| Modèle | Tâches | Modes | Le choisir pour |
|---|---|---|---|
| YOLO26 🚀 NOUVEAU | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Nouveaux projets : inférence de bout en bout sans NMS, déploiement optimisé pour la périphérie et couverture maximale des tâches |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Évaluation de la version communautaire axée sur l'attention ; les poids pré-entraînés couvrent uniquement la détection |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Charges de travail de production stables, avec des points de contrôle pré-entraînés pour chaque tâche prise en charge |
| YOLOv10 | Détection | Train, Val, Predict, Export | Recherche sur la détection sans NMS de l'Université Tsinghua |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | Programmable Gradient Information (PGI), implémenté sur la base de code YOLOv5 d'Ultralytics |
| YOLOv8 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Pipelines YOLOv8 existants et intégrations tierces établies |
| YOLOv7 | Détection | Prédire (Predict) | Exécution d'une exportation YOLOv7 entraînée en amont : le paquet effectue la prédiction 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 | Projets Ultralytics hérités ; les versions actuelles chargent les points de contrôle mis à jour YOLOv5u |
| YOLOv4 | Aucune | Aucune | Référence d'architecture uniquement : le modèle natif Darknet d'Alexey Bochkovskiy n'est pas pris en charge par le paquet |
| YOLOv3 | Détection | Train, Val, Predict, Export | Projets hérités sur l'architecture originale de Joseph Redmon ; les versions actuelles chargent les points de contrôle mis à jour YOLOv3u |
| SAM 3 🚀 NOUVEAU | Segmentation | Prédire (Predict) | Segmentation de concepts guidée par invite de Meta dans les images et les vidéos, à partir d'exemples textuels ou visuels ; sam3.pt nécessite une approbation d'accès sur Hugging Face |
| SAM 2 | Segmentation | Prédire (Predict) | Segmentation guidée par invite de Meta, suivant des objets à travers les trames vidéo |
| SAM | Segmentation | Prédire (Predict) | Segmentation guidée par invite originale de Meta, incluant l'annotation automatique |
| MobileSAM | Segmentation | Prédire (Predict) | Segmentation guidée par invite sur mobiles et autres appareils aux ressources limitées (Université Kyung Hee) |
| FastSAM | Segmentation | Val, Predict, Export | Segmentation guidée par invite basée sur CNN lorsque la latence de SAM constitue un goulot d'étranglement (Académie des sciences de Chine) |
| YOLO-NAS | Détection | Val, Predict, Export | Détecteurs optimisés NAS de Deci, conservés pour l'inférence et l'exportation ; Deci ne les maintient plus après l'acquisition par NVIDIA |
| RT-DETR | Détection | Train, Val, Predict, Export | Détecteur DETR en temps réel de Baidu : un réseau dorsal convolutif doté d'un encodeur transformer hybride |
| YOLO-World | Détection | Train, Val, Predict, Export | Détection à vocabulaire ouvert à partir d'invites textuelles (Tencent AI Lab) ; l'exportation nécessite les points de contrôle -worldv2 |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Détection et segmentation à vocabulaire ouvert avec inférence textuelle, visuelle ou sans invite |
Watch: Run Ultralytics YOLO models in just a few lines of code.
Pour bien démarrer : 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, consulte les pages de documentation Predict, Train, Val et Export.
Note que l'exemple ci-dessous met en vedette les modèles YOLO26 Detect pour la détection d'objets. Pour d'autres tâches prises en charge, consulte la documentation Segment, Semantic, Depth, Classify, Pose et OBB.
Des modèles pré-entraînés PyTorch *.pt ainsi que des fichiers de configuration *.yaml peuvent être passés aux classes YOLO(), SAM(), NAS() et RTDETR() pour créer une instance de modèle en Python :
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")Contribuer à de nouveaux modèles#
Tu souhaites contribuer avec ton modèle à Ultralytics ? C'est génial ! Nous sommes toujours ouverts à l'élargissement de notre portefeuille de modèles.
-
Créer un fork du dépôt : Commence par créer un fork du 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 de codage et les directives fournies dans notre guide de contribution.
-
Tester minutieusement : Assure-toi de tester ton modèle rigoureusement, 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 pour examen.
-
Revue de code et fusion : Après examen, si ton modèle répond à nos critères, il sera fusionné dans le dépôt principal.
Pour des étapes détaillées, consulte notre guide de contribution.
FAQ#
Quel est le dernier modèle YOLO d'Ultralytics ?#
Le dernier modèle Ultralytics YOLO est YOLO26, sorti en janvier 2026. YOLO26 propose une inférence de bout en bout sans NMS, un déploiement optimisé pour la périphérie, et prend en charge la détection, la segmentation d'instances, la segmentation sémantique, l'estimation de profondeur, la classification, l'estimation de pose, ainsi que l'OBB et des versions à vocabulaire ouvert. Pour des charges de travail de production stables, YOLO26 et YOLO11 sont tous deux 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 réalisé 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)Pour des instructions plus détaillées, visite la page de documentation Train.
Quelles versions de YOLO sont prises en charge par Ultralytics ?#
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 paquet ne publie aucun poids ni fichier YAML pour YOLOv4 ou YOLOv7 : YOLOv4 est documenté uniquement comme référence d'architecture, tandis que YOLOv7 s'exécute en tant que modèle exporté ONNX ou TensorRT. Consulte les modèles phares pour connaître les tâches et modes disponibles pour chacun.
Pourquoi devrais-tu utiliser Ultralytics Platform pour tes projets de machine learning ?#
Ultralytics Platform fournit une plateforme sans code de bout en bout pour entraîner, déployer et gérer des modèles YOLO. Elle simplifie les flux de travail complexes, permettant aux utilisateurs de se concentrer sur les performances des modèles et sur l'application. Elle offre également des capacités d'entraînement dans le cloud, une gestion complète des jeux de données et des interfaces ergonomiques pour les débutants comme pour les développeurs expérimentés.
Quels types de tâches les modèles YOLO d'Ultralytics peuvent-ils effectuer ?#
Les modèles Ultralytics YOLO sont polyvalents et peuvent effectuer des tâches incluant 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 modèle le plus récent, YOLO26, prend en charge l'ensemble des sept tâches ainsi que la détection à vocabulaire ouvert. Pour plus de détails sur des tâches spécifiques, réfère-toi aux pages des tâches.