Skip to content

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.

Voici quelques-uns des principaux modèles pris en charge :

  1. 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.
  2. YOLOv4: Une mise à jour native du darknet de 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 performance et de vitesse par rapport aux versions précédentes.
  4. YOLOv6: Sorti par Meituan en 2022, et utilisé dans de nombreux robots de livraison autonomes de l'entreprise.
  5. YOLOv7: Mise à jour des modèles YOLO publiés en 2022 par les auteurs de YOLOv4.
  6. 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.
  7. 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).
  8. Segment Anything Model (SAM): Le modèle Segment Anything de Meta (SAM).
  9. Mobile Segment Anything Model (MobileSAM): MobileSAM pour les applications mobiles, par l'Université de Kyung Hee.
  10. Modèle de segmentation rapide (FastSAM): FastSAM by Image & Video Analysis Group, Institute of Automation, Chinese Academy of Sciences.
  11. YOLO-NAS: YOLO Modèles de recherche d'architecture neuronale (NAS).
  12. Transformateurs de détection en temps réel (RT-DETR): Les modèles de Baidu PaddlePaddle Realtime Detection Transformer (RT-DETR).
  13. 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 être transmis à 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 :

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

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.

  1. Crée un dépôt (fork) : Commence par forker le dépôt GitHub Ultralytics .

  2. Cloner ta fourche : clone ta fourche sur ta machine locale et crée une nouvelle branche sur laquelle travailler.

  3. Implémente ton modèle: Ajoute ton modèle en suivant les normes de codage et les directives fournies dans notre Guide de contribution.

  4. Teste rigoureusement: Assure-toi de tester ton modèle de façon rigoureuse, à la fois de façon isolée et dans le cadre du pipeline.

  5. 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.

  6. 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.



Créé le 2023-11-12, Mis à jour le 2024-02-26
Auteurs : glenn-jocher (7), Laughing-q (1)

Commentaires