中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Documentazione Ultralytics YOLO#
Ultralytics YOLO è una famiglia di modelli di computer vision in tempo reale per il rilevamento di oggetti, la segmentazione di istanze, la segmentazione semantica, la stima della profondità, la classificazione, la stima della posa, i riquadri di delimitazione orientati e il tracciamento, disponibili tramite un unico pacchetto Python e CLI. YOLO26 si basa sui progressi del deep learning e della computer vision e offre, come opzioni, l'inferenza end-to-end senza NMS e un deployment ottimizzato sui dispositivi edge. Il design semplificato lo rende adatto a diverse applicazioni e facilmente adattabile a varie piattaforme hardware, dai dispositivi edge alle API cloud. Per carichi di lavoro di produzione stabili, sono consigliati sia YOLO26 sia YOLO11.
Esplora la documentazione Ultralytics, una risorsa completa che tratta il pacchetto YOLO e la CLI, oltre alla Ultralytics Platform, che aggiunge annotazione dei dati, training nel cloud e deployment sugli stessi modelli. Che tu abbia già molta esperienza nel machine learning o sia alle prime armi, queste risorse ti aiutano a sfruttare al meglio YOLO nei tuoi progetti.
Richiedi una licenza Enterprise per uso commerciale tramite Ultralytics Licensing.
Esplora l'anteprima di YOLO27, che include dettagli sull'architettura, benchmark preliminari ed esempi da usare dopo il rilascio. I modelli sono nella fase finale di R&D in vista del lancio previsto entro la fine dell'anno; non sono ancora disponibili e non è stata fissata una data di lancio.
Trasforma una singola foto in una mappa di profondità, con una distanza in metri per ogni pixel.
Inizia 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, mentre il risultato annotato viene salvato nella directory indicata dal comando, runs/detect/predict alla prima esecuzione.
Consulta la guida Quickstart per tutti i metodi di installazione e per eseguire la tua prima predizione.
Cosa vuoi fare?#
Esegui il fine-tuning di un modello YOLO26 pretrained sul tuo dataset, regolando l'augmentation e gli iperparametri per il training multi-GPU
Carica un modello pretrained e ottieni riquadri di delimitazione, maschere o keypoint con poche righe di Python o un singolo comando CLI
Traccia gli oggetti con ID persistenti usando TrackTrack (predefinito), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT o FastTracker
App di computer vision pronte all'uso per il conteggio degli oggetti, le mappe di calore, la gestione delle code, gli allarmi di sicurezza e gli allenamenti, senza bisogno di training
Esporta i modelli addestrati in ONNX, TensorRT o OpenVINO per un'inferenza rapida su dispositivi edge, hardware mobile e server cloud
Confronta YOLO26, YOLO11, SAM 3, RT-DETR e tutte le altre architetture supportate in base a velocità, accuratezza e caso d'uso
Consulta classi, funzioni e firme dei metodi dell'API Python, generate automaticamente dal codice sorgente a ogni nuova release
L'ultima famiglia di modelli rilasciata da Ultralytics offre, come opzioni, l'inferenza end-to-end senza NMS e un compromesso tra accuratezza e latenza migliore rispetto a YOLO11
Come è organizzata questa documentazione#
La maggior parte dei comandi yolo per i workflow dei modelli segue una grammatica, yolo [TASK] MODE ARGS, in cui Task è facoltativo; anche questa documentazione è organizzata attorno alle stesse tre parti, più una scorciatoia:
- Task indica cosa vuoi ottenere da un'immagine: rilevamento, segmentazione di istanze, segmentazione semantica, stima della profondità, classificazione, stima della posa o riquadri orientati.
- Mode indica come usare un modello: addestramento, validazione, predizione, esportazione, tracciamento o benchmark.
- Args configura il comando, specificando quale modello eseguire con
model=e impostando iperparametri comeepochseimgsz. - Solutions è la scorciatoia: un'applicazione già pronta, come il conteggio degli oggetti o un allarme di sicurezza, che salta del tutto Task e Mode.
Tutto il resto supporta questa grammatica: Models elenca tutte le architetture che puoi passare a model= — YOLO26, YOLO11, SAM 3, RT-DETR e altre — Datasets fornisce i dati su cui addestrare ogni Task, Guides raccoglie guide approfondite su deployment hardware, ottimizzazione degli iperparametri, conversione dei dataset e procedure complete per i progetti, Integrations collega la pipeline agli strumenti di training e deployment che già usi e la sezione Reference documenta ogni classe e funzione dell'API Python.
Oltre al pacchetto Python, altri due strumenti usano gli stessi modelli: la Ultralytics Platform per l'annotazione, il training e il deployment nel cloud, e Ultralytics Inference, una libreria Rust standalone e una CLI per eseguire modelli esportati senza un runtime Python.
Licenze YOLO: come viene concessa in licenza Ultralytics YOLO?#
Ultralytics offre due opzioni di licenza per soddisfare esigenze diverse:
- Licenza AGPL-3.0: questa licenza open source approvata dall'OSI è ideale per studenti e appassionati e promuove la collaborazione aperta e la condivisione delle conoscenze. Per maggiori dettagli, consulta il file LICENSE.
- Licenza Enterprise: per lo sviluppo e l'uso in produzione, questa licenza consente di integrare facilmente il software e i modelli di IA Ultralytics in prodotti e servizi aziendali, inclusi strumenti interni, workflow automatizzati e deployment in produzione, senza i requisiti open source di AGPL-3.0. Per iniziare, contattaci tramite Ultralytics Licensing.
La nostra strategia di licenza è pensata per garantire che ogni miglioramento ai nostri progetti open source venga restituito alla community. Crediamo nell'open source e la nostra missione è fare in modo che i nostri contributi possano essere usati e ampliati in modi vantaggiosi per tutti.
Domande frequenti#
Ultralytics YOLO è la celebre serie YOLO (You Only Look Once, lo vedi una sola volta) per il rilevamento di oggetti e la segmentazione delle immagini in tempo reale. L'ultimo modello, YOLO26, si basa sulle versioni precedenti e introduce l'inferenza end-to-end senza NMS, disponibile come opzione, e un deployment ottimizzato sui dispositivi edge. YOLO supporta diverse attività di IA per la computer vision, come rilevamento, segmentazione di istanze, segmentazione semantica, stima della profondità, classificazione, stima della posa e riquadri di delimitazione orientati, e può tracciare gli oggetti rilevati tra i fotogrammi di un video. La sua architettura efficiente garantisce velocità e accuratezza eccellenti, rendendola adatta a diverse applicazioni, inclusi dispositivi edge e API cloud.
Iniziare a usare YOLO è semplice e veloce. Installa il pacchetto Ultralytics da pip con
pip install ultralytics, poi esegui la tua prima predizione conyolo predict model=yolo26n.pt: i pesi del modello vengono scaricati automaticamente. Per istruzioni complete su conda, Docker e installazione dai sorgenti, visita la pagina Quickstart.Per addestrare un modello YOLO personalizzato sul tuo dataset, segui alcuni passaggi:
- Prepara il dataset annotato e descrivilo in un file YAML del dataset.
- Carica un modello pretrained, ad esempio
YOLO("yolo26n.pt")in Python. - Avvia il training con
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)oppure dalla riga di comando conyolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.
Per una guida dettagliata, consulta la nostra guida Addestra un modello, che include esempi e suggerimenti per ottimizzare il processo di training.
Ultralytics offre due opzioni di licenza per YOLO:
- Licenza AGPL-3.0: questa licenza open source è ideale per l'uso didattico e non commerciale e promuove la collaborazione aperta.
- Licenza Enterprise: per lo sviluppo e l'uso in produzione, inclusi strumenti interni, workflow automatizzati e deployment in produzione, senza i requisiti open source di AGPL-3.0.
Per maggiori dettagli, visita la nostra pagina Licenze.
Ultralytics YOLO supporta un tracciamento multi-oggetto efficiente e personalizzabile. Chiama
YOLO("yolo26n.pt").track(source="path/to/video.mp4")in Python oppure eseguiyolo track source=path/to/video.mp4dalla riga di comando: entrambi funzionano con file video, flussi live e input da webcam. Per una guida dettagliata alla configurazione e all'esecuzione del tracciamento degli oggetti, consulta la documentazione della modalità Track, che illustra la configurazione e le applicazioni pratiche in scenari in tempo reale.
