中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية

Link to this sectionDocumentazione Ultralytics YOLO#

Ultralytics YOLO è una famiglia di modelli di computer vision in tempo reale per object detection, instance segmentation, semantic segmentation, classificazione, pose estimation, oriented bounding box e tracciamento, disponibili tramite un unico pacchetto Python e CLI. YOLO26 è basato sui progressi del deep learning e della computer vision, caratterizzato da inferenza end-to-end senza NMS e deployment ottimizzato per l'edge. Il suo design semplificato lo rende adatto a svariate applicazioni e facilmente adattabile a diverse piattaforme hardware, dai dispositivi edge alle API cloud. Per carichi di lavoro di produzione stabili, sono consigliati sia YOLO26 che YOLO11.

Esplora la documentazione di Ultralytics, una risorsa completa che copre il pacchetto e la CLI di YOLO, oltre alla Ultralytics Platform, che aggiunge annotazione dei dati, addestramento su cloud e deployment basati sugli stessi modelli. Che tu sia un esperto di machine learning o un neofita del settore, questo hub mira ad aiutarti a ottenere il massimo da YOLO nei tuoi progetti.

Richiedi una licenza Enterprise per uso commerciale su Ultralytics Licensing.

Link to this sectionInizia con due comandi#

# Install the ultralytics package from PyPI
pip install ultralytics

# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'

I pesi del modello e l'immagine di esempio vengono scaricati automaticamente e il risultato annotato viene salvato in runs/detect/predict.

Consulta la guida Quickstart per il riferimento completo su installazione e utilizzo.

Link to this sectionCosa vuoi fare?#

Link to this sectionCome è organizzata questa documentazione#

La maggior parte dei comandi yolo segue una grammatica, yolo [TASK] MODE ARGS, dove Task è opzionale, e questa documentazione è organizzata attorno alle stesse tre parti, più una scorciatoia:

• Task risponde a cosa vuoi da un'immagine: detection, instance segmentation, semantic segmentation, classification, pose estimation o oriented boxes.
• Mode risponde a come usi un modello: train, validate, predict, export, track o benchmark.
• Args configura il comando, da quale modello eseguire con model= fino agli iperparametri come epochs e imgsz.
• Solutions è la scorciatoia: un'applicazione finita, come il conteggio oggetti o un allarme di sicurezza, che salta del tutto Task e Mode.

Tutto il resto supporta quella grammatica: Models elenca ogni architettura che puoi passare a model= — YOLO26, YOLO11, SAM 3, RT-DETR e altre — Datasets fornisce i dati su cui ogni Task si addestra, Guides è un'ampia raccolta di how-to approfonditi che spaziano dal deployment su hardware, al tuning degli iperparametri, alla conversione dei dataset e a walkthrough completi dei progetti, Integrations collega la pipeline agli strumenti di training e deployment che già utilizzi, e la sezione Reference documenta ogni classe e funzione nell'API Python.

Oltre al pacchetto Python, altre due superfici girano sugli stessi modelli: la Ultralytics Platform per l'annotazione, l'addestramento e il deployment su cloud, e Ultralytics Inference, una libreria Rust standalone e CLI per eseguire modelli esportati senza runtime Python.

Link to this sectionLicenze YOLO: Come è concesso in licenza Ultralytics YOLO?#

Ultralytics offre due opzioni di licenza per soddisfare diversi casi d'uso:

• Licenza AGPL-3.0: Questa licenza open-source approvata dall'OSI è ideale per studenti e appassionati, promuovendo la collaborazione aperta e la condivisione della conoscenza. Vedi il file LICENSE per maggiori dettagli.
• Licenza Enterprise: Per uso di sviluppo e produzione, questa licenza consente l'integrazione perfetta del software e dei modelli AI di Ultralytics in prodotti e servizi aziendali, inclusi strumenti interni, flussi di lavoro automatizzati e distribuzioni di produzione, aggirando i requisiti open-source della AGPL-3.0. Per iniziare, contattaci tramite Licenze Ultralytics.

La nostra strategia di licenza è progettata per garantire che qualsiasi miglioramento ai nostri progetti open-source venga restituito alla comunità. Crediamo nell'open source e la nostra missione è garantire che i nostri contributi possano essere utilizzati ed espansi in modi che portino beneficio a tutti.

Link to this sectionFAQ#

Link to this sectionCos'è Ultralytics YOLO e come migliora l'object detection?#

Ultralytics YOLO è la celebre serie YOLO (You Only Look Once) per l'object detection e la segmentazione delle immagini in tempo reale. L'ultimo modello, YOLO26, si basa sulle versioni precedenti introducendo un'inferenza end-to-end senza NMS e un deployment ottimizzato per l'edge. YOLO supporta varie attività di AI visiva come rilevamento, segmentazione di istanze, segmentazione semantica, stima della posa, tracciamento e classificazione. La sua architettura efficiente assicura velocità e precisione eccellenti, rendendolo adatto a svariate applicazioni, inclusi dispositivi edge e API cloud.

Link to this sectionCome posso iniziare con l'installazione e la configurazione di YOLO?#

Iniziare con YOLO è rapido e semplice. Installa il pacchetto Ultralytics da pip con pip install ultralytics, quindi esegui la tua prima predizione con yolo predict model=yolo26n.pt — i pesi del modello vengono scaricati automaticamente. Per istruzioni complete che coprono conda, Docker e l'installazione da sorgente, visita la pagina Quickstart.

Link to this sectionCome posso addestrare un modello YOLO personalizzato sul mio dataset?#

L'addestramento di un modello YOLO personalizzato sul tuo dataset prevede alcuni passaggi dettagliati:

1. Prepara il tuo dataset annotato e descrivilo in un file YAML del dataset.
2. Carica un modello preaddestrato, ad esempio YOLO("yolo26n.pt") in Python.
3. Avvia l'addestramento con model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640), o dalla riga di comando con yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.

Per una guida dettagliata, dai un'occhiata alla nostra guida Addestra un modello, che include esempi e suggerimenti per ottimizzare il tuo processo di addestramento.

Link to this sectionQuali sono le opzioni di licenza disponibili per Ultralytics YOLO?#

Ultralytics offre due opzioni di licenza per YOLO:

• Licenza AGPL-3.0: Questa licenza open-source è ideale per l'uso educativo e non commerciale, promuovendo la collaborazione aperta.
• Licenza Enterprise: Per uso di sviluppo e produzione, inclusi strumenti interni, flussi di lavoro automatizzati e deployment in produzione, bypassando i requisiti open-source della licenza AGPL-3.0.

Per maggiori dettagli, visita la nostra pagina Licenze.

Link to this sectionCome può essere utilizzato Ultralytics YOLO per il tracciamento di oggetti in tempo reale?#

Ultralytics YOLO supporta un tracciamento multi-oggetto efficiente e personalizzabile. Chiama YOLO("yolo26n.pt").track(source="path/to/video.mp4") in Python, o esegui yolo track source=path/to/video.mp4 dalla riga di comando — entrambi funzionano con file video, streaming live e input da webcam. Per una guida dettagliata su come configurare ed eseguire il tracciamento oggetti, controlla la nostra documentazione Track Mode, che spiega la configurazione e le applicazioni pratiche in scenari in tempo reale.