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 degli 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 tracking, disponibile tramite un unico pacchetto Python e CLI. YOLO26 si basa sui progressi del deep learning e della computer vision e offre inferenza end-to-end opzionale senza NMS e una distribuzione ottimizzata sui dispositivi edge. Il design snello 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 e la CLI YOLO, oltre alla Ultralytics Platform, che aggiunge annotazione dei dati, training nel cloud e deployment sugli stessi modelli. Che tu sia un esperto di machine learning o alle prime armi nel settore, queste risorse ti aiutano a sfruttare al meglio YOLO nei tuoi progetti.
Richiedi una licenza Enterprise per uso commerciale su Ultralytics Licensing.
Esplora l'anteprima di YOLO27, con dettagli sull'architettura, benchmark preliminari ed esempi d'uso dopo il rilascio. I modelli sono alle fasi finali 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?#
Ottimizza 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 contare gli oggetti, creare mappe di calore, gestire le code, attivare allarmi di sicurezza e monitorare 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 inferenza end-to-end opzionale senza NMS e un migliore compromesso tra accuratezza e latenza rispetto a YOLO11
Come è organizzata questa documentazione#
La maggior parte dei comandi yolo per i flussi di lavoro dei modelli segue una grammatica, yolo [TASK] MODE ARGS, in cui Task è facoltativo; 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 usi un modello: addestramento, validazione, predizione, esportazione, tracking o benchmark.
- Args configura il comando, scegliendo quale modello eseguire con
model=e quali iperparametri impostare, ad esempioepochseimgsz. - Solutions è la scorciatoia: un'applicazione completa, come il conteggio degli oggetti o un allarme di sicurezza, che non richiede né Task né 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 viene addestrato ciascun 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, ci sono altre due soluzioni basate sugli stessi modelli: la Ultralytics Platform per annotazione, training e deployment nel cloud, e Ultralytics Inference, una libreria Rust autonoma e una CLI per eseguire modelli esportati senza un runtime Python.
Licenze YOLO: con quale licenza viene distribuito 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 AI di Ultralytics nei prodotti e servizi aziendali, inclusi strumenti interni, flussi di lavoro automatizzati e deployment in produzione, senza dover rispettare i requisiti open source di AGPL-3.0. Per iniziare, contattaci tramite Ultralytics Licensing.
La nostra strategia di licenza è pensata per garantire che tutti i 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 e ampliati in modi che portino beneficio a tutti.
Domande frequenti#
Ultralytics YOLO è la rinomata serie YOLO (guardi una sola volta) per il rilevamento degli oggetti e la segmentazione delle immagini in tempo reale. L'ultimo modello, YOLO26, si basa sulle versioni precedenti e introduce inferenza end-to-end opzionale senza NMS e un deployment ottimizzato sui dispositivi edge. YOLO supporta diverse attività di computer vision e AI, tra cui rilevamento, segmentazione di istanze, segmentazione semantica, stima della profondità, classificazione, stima della posa e riquadri di delimitazione orientati; inoltre, può tracciare gli oggetti rilevati nei fotogrammi di un video. La sua architettura efficiente offre velocità e accuratezza eccellenti, rendendolo adatto 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 verranno scaricati automaticamente. Per istruzioni complete su conda, Docker e installazione dal codice sorgente, visita la pagina Quickstart.Per addestrare un modello YOLO personalizzato sul tuo dataset, segui alcuni passaggi dettagliati:
- 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 Train a Model, 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, flussi di lavoro automatizzati e deployment in produzione, senza dover rispettare i requisiti open source di AGPL-3.0.
Per maggiori dettagli, visita la pagina Licensing.
Ultralytics YOLO supporta il tracking 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, streaming live e webcam. Per una guida dettagliata alla configurazione e all'esecuzione del tracking degli oggetti, consulta la documentazione di Track Mode, che illustra la configurazione e le applicazioni pratiche in scenari in tempo reale.
