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

Link to this sectionHome#

Ti presentiamo Ultralytics YOLO26, l'ultima versione del celebre modello per il rilevamento di oggetti e la segmentazione delle immagini in tempo reale. YOLO26 si basa sui progressi del deep learning e della computer vision, offrendo un'inferenza end-to-end senza NMS e un deployment ottimizzato per l'edge. Il suo design ottimizzato 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 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 campo, questo hub mira a massimizzare il potenziale di YOLO nei tuoi progetti.

Richiedi una licenza Enterprise per uso commerciale su Ultralytics Licensing.

Link to this sectionDa dove iniziare#

Link to this sectionYOLO: 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 presso l'Università di Washington. Lanciato nel 2015, YOLO ha guadagnato popolarità per la sua alta velocità e precisione.

• YOLOv2, rilasciato nel 2016, ha migliorato il modello originale incorporando la batch normalization, anchor boxes e cluster di dimensioni.
• YOLOv3, lanciato nel 2018, ha ulteriormente migliorato le prestazioni del modello utilizzando una backbone network più efficiente, molteplici anchor e lo spatial pyramid pooling.
• YOLOv4 è stato rilasciato nel 2020, introducendo innovazioni come la data augmentation tramite Mosaic, una nuova head di rilevamento 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 di consegna autonomi dell'azienda.
• YOLOv7 ha aggiunto ulteriori attività come la stima della posa (pose estimation) sul dataset di keypoint COCO.
• YOLOv8, rilasciato nel 2023 da Ultralytics, ha introdotto nuove funzionalità e miglioramenti per prestazioni, flessibilità ed efficienza superiori, supportando una gamma completa di attività di AI visiva.
• YOLOv9 introduce metodi innovativi come la 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, segmentazione, stima della posa, tracciamento e classificazione, consentendo il deployment 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.

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 sectionL'evoluzione dell'object detection#

L'object detection si è evoluta in modo significativo nel corso degli anni, dalle tradizionali tecniche di computer vision ai modelli avanzati di deep learning. La famiglia di modelli YOLO è stata all'avanguardia di questa evoluzione, spingendo costantemente i confini di ciò che è possibile fare nel rilevamento di oggetti in tempo reale.

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

Con ogni nuova versione, YOLO ha introdotto miglioramenti architettonici e tecniche innovative che hanno migliorato le prestazioni in diverse metriche. YOLO26 prosegue questa tradizione incorporando i più recenti progressi nella ricerca sulla computer vision, presentando un'inferenza end-to-end senza NMS e un deployment ottimizzato per l'edge per applicazioni nel mondo reale.

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 diretto. Puoi installare il package Ultralytics usando pip e iniziare a lavorare 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.

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.
2. Configura i parametri di addestramento 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 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. Per utilizzare le capacità di tracciamento, 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 del tracciamento di oggetti, consulta la nostra documentazione Modalità Track, che spiega la configurazione e le applicazioni pratiche in scenari in tempo reale.