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

Home

Ti presentiamo Ultralytics YOLO26, l'ultima versione del rinomato modello di object detection e image segmentation in tempo reale. YOLO26 è costruito su progressi nel deep learning e nella computer vision, offrendo un'inferenza end-to-end senza NMS e un deployment ottimizzato per l'edge. Il suo design snello 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, si consigliano sia YOLO26 che YOLO11.

Esplora la documentazione di Ultralytics, una risorsa completa pensata per aiutarti a comprendere e utilizzare le sue funzionalità e capacità. Che tu sia un esperto di machine learning o un nuovo arrivato nel settore, questo hub mira a massimizzare il potenziale di YOLO nei tuoi progetti.

Richiedi una licenza Enterprise per uso commerciale su Ultralytics Licensing.

Da dove iniziare

YOLO: Una breve storia

YOLO (You Only Look Once), un popolare modello di object detection e image segmentation, è stato sviluppato da Joseph Redmon e Ali Farhadi all'Università di Washington. Lanciato nel 2015, YOLO ha guadagnato popolarità per l'alta velocità e precisione.

• YOLOv2, rilasciato nel 2016, ha migliorato il modello originale incorporando batch normalization, anchor box e cluster dimensionali.
• YOLOv3, lanciato nel 2018, ha ulteriormente migliorato le prestazioni del modello utilizzando una rete backbone più efficiente, anchor multipli e spatial pyramid pooling.
• YOLOv4 è stato rilasciato nel 2020, introducendo innovazioni come la data augmentation Mosaic, una nuova detection head senza anchor e una nuova loss function.
• YOLOv5 ha ulteriormente migliorato le prestazioni del modello e aggiunto nuove funzionalità come l'ottimizzazione degli iperparametri, il tracciamento integrato degli esperimenti e l'esportazione automatica in formati popolari.
• YOLOv6 è stato reso open-source da Meituan nel 2022 ed è utilizzato in molti dei robot per le consegne autonome dell'azienda.
• YOLOv7 ha aggiunto attività supplementari come la pose estimation sul dataset COCO keypoints.
• YOLOv8, rilasciato nel 2023 da Ultralytics, ha introdotto nuove funzionalità e miglioramenti per prestazioni, flessibilità ed efficienza avanzate, supportando una gamma completa di attività di vision AI.
• YOLOv9 introduce metodi innovativi come Programmable Gradient Information (PGI) e la Generalized Efficient Layer Aggregation Network (GELAN).
• YOLOv10 created by researchers from Tsinghua University using the Ultralytics Python package, provides real-time object detection advancements by introducing an End-to-End head that eliminates Non-Maximum Suppression (NMS) requirements.
• YOLO11: Rilasciato a settembre 2024, YOLO11 offre prestazioni eccellenti in molteplici attività, tra cui object detection, segmentation, pose estimation, tracking e classification, consentendo l'implementazione in diverse applicazioni e domini di AI.
• YOLO26 🚀: Il modello YOLO di prossima generazione di Ultralytics ottimizzato per il deployment edge con inferenza end-to-end senza NMS.

Licenze 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 da OSI è ideale per studenti e appassionati, promuovendo la collaborazione aperta e la condivisione delle conoscenze. Vedi il file LICENSE per maggiori dettagli.
• Licenza Enterprise: Per uso di sviluppo e produzione, questa licenza consente un'integrazione fluida del software e dei modelli AI di Ultralytics in prodotti e servizi aziendali, inclusi strumenti interni, flussi di lavoro automatizzati e deployment di produzione, superando i requisiti open-source della AGPL-3.0. Per iniziare, contattaci tramite Ultralytics Licensing.

La nostra strategia di licenza è progettata per garantire che eventuali miglioramenti ai nostri progetti open-source vengano restituiti alla comunità. Crediamo nell'open source e la nostra missione è garantire che i nostri contributi possano essere utilizzati ed espansi in modi che avvantaggino tutti.

L'evoluzione dell'object detection

L'object detection si è evoluta significativamente nel corso degli anni, dalle tecniche tradizionali di computer vision ai modelli avanzati di deep learning. La famiglia di modelli YOLO è stata in prima linea in questa evoluzione, spingendo costantemente i confini di ciò che è possibile nell'object detection in tempo reale.

L'approccio unico di YOLO tratta l'object detection come un singolo problema di regressione, prevedendo bounding box e probabilità di classe direttamente da immagini complete in un'unica valutazione. Questo metodo rivoluzionario ha reso i modelli YOLO significativamente più veloci rispetto ai precedenti rilevatori a due stadi, mantenendo al contempo un'alta precisione.

Con ogni nuova versione, YOLO ha introdotto miglioramenti architettonici e tecniche innovative che hanno migliorato le prestazioni su diverse metriche. YOLO26 continua questa tradizione incorporando gli ultimi progressi nella ricerca di computer vision, offrendo inferenza end-to-end senza NMS e deployment edge ottimizzato per applicazioni nel mondo reale.

FAQ

Cos'è Ultralytics YOLO e come migliora l'object detection?

Ultralytics YOLO è la rinomata serie YOLO (You Only Look Once) per l'object detection e l'image segmentation in tempo reale. Il modello più recente, YOLO26, si basa sulle versioni precedenti introducendo l'inferenza end-to-end senza NMS e il deployment edge ottimizzato. YOLO supporta varie attività di vision AI come detection, instance segmentation, semantic segmentation, pose estimation, tracking e classification. La sua architettura efficiente garantisce velocità e precisione eccellenti, rendendolo adatto a diverse applicazioni, inclusi dispositivi edge e API cloud.

Come posso iniziare con l'installazione e la configurazione di YOLO?

Iniziare con YOLO è rapido e semplice. Puoi installare il pacchetto Ultralytics usando pip e metterti all'opera in pochi minuti. Ecco un comando di installazione di base:

pip install -U ultralytics

Per una guida completa passo dopo passo, visita la nostra pagina Quickstart. Questa risorsa ti aiuterà con le istruzioni di installazione, la configurazione iniziale e l'esecuzione del tuo primo modello.

Come posso addestrare un modello YOLO personalizzato sul mio dataset?

Addestrare un modello YOLO personalizzato sul tuo dataset comporta alcuni passaggi dettagliati:

1. Prepara il tuo dataset annotato.
2. Configura i parametri di training in un file YAML.
3. Usa il comando yolo TASK train per avviare l'addestramento. (Ogni TASK ha i propri argomenti)

Ecco un esempio di codice per l'attività di Object Detection:

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

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

Quali 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 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 di produzione, superando i requisiti open-source della AGPL-3.0.

Per ulteriori dettagli, visita la nostra pagina Licensing.

Come può essere utilizzato Ultralytics YOLO per l'object tracking in tempo reale?

Ultralytics YOLO supporta un multi-object tracking efficiente e personalizzabile. Per utilizzare le capacità di tracking, puoi usare il comando yolo track, come mostrato di seguito:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

Per una guida dettagliata sulla configurazione e l'esecuzione dell'object tracking, controlla la nostra documentazione Track Mode, che spiega la configurazione e le applicazioni pratiche in scenari in tempo reale.