Modèles soutenus par Ultralytics
Bienvenue sur le site Ultralytics' documentation sur les modèles ! Nous offrons un support pour une large gamme de modèles, chacun adapté à des tâches spécifiques telles que la détection d'objets, la segmentation d'instances, la classification d'images, l'estimation de la pose et le suivi de plusieurs objets. Si tu souhaites contribuer à l'architecture de ton modèle sur Ultralytics, consulte notre Guide de contribution.
Modèles en vedette
Voici quelques-uns des principaux modèles pris en charge :
- YOLOv3: La troisième itération de la famille de modèles YOLO , créée à l'origine par Joseph Redmon, connue pour ses capacités efficaces de détection d'objets en temps réel.
- YOLOv4: Une mise à jour native du darknet de YOLOv3, publiée par Alexey Bochkovskiy en 2020.
- 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.
- YOLOv6: Sorti par Meituan en 2022, et utilisé dans de nombreux robots de livraison autonomes de l'entreprise.
- YOLOv7: Mise à jour des modèles YOLO publiés en 2022 par les auteurs de YOLOv4.
- YOLOv8 NOUVEAU 🚀 : La dernière version de la famille YOLO , qui présente des capacités améliorées telles que la segmentation des instances, l'estimation de la pose/des points clés et la classification.
- YOLOv9: Un modèle expérimental formé sur la base de code mettant en œuvre l'information programmable de gradient (PGI). Ultralytics YOLOv5 base de code mettant en œuvre l'information programmable de gradient (PGI).
- Segment Anything Model (SAM): Le modèle Segment Anything de Meta (SAM).
- Mobile Segment Anything Model (MobileSAM): MobileSAM pour les applications mobiles, par l'Université de Kyung Hee.
- Modèle de segmentation rapide (FastSAM): FastSAM by Image & Video Analysis Group, Institute of Automation, Chinese Academy of Sciences.
- YOLO-NAS: YOLO Modèles de recherche d'architecture neuronale (NAS).
- Transformateurs de détection en temps réel (RT-DETR): Les modèles de Baidu PaddlePaddle Realtime Detection Transformer (RT-DETR).
- YOLO-Monde: Modèles de détection d'objets à vocabulaire ouvert en temps réel du laboratoire d'IA de Tencent.
Regarde : Exécute les modèles Ultralytics YOLO en quelques lignes de code seulement.
Pour commencer : Exemples d'utilisation
Cet exemple fournit des exemples simples de formation et d'inférence sur YOLO . Pour une documentation complète sur ces modes et d'autres , voir les pages Predict, Train, Val et Export docs.
Note que l'exemple ci-dessous concerne les modèles YOLOv8 Detect pour la détection d'objets. Pour d'autres tâches prises en charge, voir les documents Segmenter, Classifier et Poser.
Exemple
PyTorch préformé *.pt
ainsi que la configuration *.yaml
peuvent ĂŞtre transmis Ă l'outil YOLO()
, SAM()
, NAS()
et RTDETR()
pour créer une instance de modèle dans Python:
from ultralytics import YOLO
# Load a COCO-pretrained YOLOv8n model
model = YOLO('yolov8n.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 YOLOv8n model on the 'bus.jpg' image
results = model('path/to/bus.jpg')
CLI Des commandes sont disponibles pour exécuter directement les modèles :
Contribuer à de nouveaux modèles
Tu souhaites proposer ton modèle à Ultralytics? C'est génial ! Nous sommes toujours prêts à élargir notre portefeuille de modèles.
-
Crée un dépôt (fork) : Commence par forker le dépôt GitHub Ultralytics .
-
Cloner ta fourche : Clone ta fourche sur ta machine locale et crée une nouvelle branche sur laquelle travailler.
-
Implémente ton modèle: Ajoute ton modèle en suivant les normes de codage et les directives fournies dans notre Guide de contribution.
-
Teste rigoureusement: Assure-toi de tester ton modèle de façon rigoureuse, à la fois de façon isolée et dans le cadre du pipeline.
-
Créer une demande d'extraction: Une fois que tu es satisfait de ton modèle, crée une demande de tirage vers le dépôt principal pour qu'il soit examiné.
-
Révision du code et fusion: Après examen, si ton modèle répond à nos critères, il sera fusionné dans le dépôt principal.
Pour connaître les étapes détaillées, consulte notre guide de contribution.