中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Documentazione di Ultralytics YOLO#
Ultralytics YOLO è una famiglia di modelli di visione artificiale 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 bounding box orientati e il tracciamento, disponibili tramite un singolo pacchetto Python e CLI. YOLO26 è basato sui progressi del deep learning e della visione artificiale, offrendo inferenza end-to-end senza NMS e distribuzione ottimizzata per l'edge. Il suo design snolo lo rende adatto a varie 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 YOLO e la CLI, nonché la Ultralytics Platform, che aggiunge annotazione dei dati, addestramento sul cloud e distribuzione basata sugli stessi modelli. Che tu sia un professionista esperto di machine learning o un neofita del settore, queste risorse ti aiutano a sfruttare al meglio YOLO nei tuoi progetti.
Richiedi una licenza Enterprise per uso commerciale presso Ultralytics Licensing.
Trasforma una singola foto in una mappa di profondità, 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 e il risultato annotato viene salvato in runs/detect/predict.
Consulta la guida Quickstart per il riferimento completo sull'installazione e sull'uso.
Cosa vuoi fare?#
Effettua il fine-tuning di un modello YOLO26 preaddestrato sul tuo dataset, regolando l'aumento dei dati e gli iperparametri per l'addestramento multi-GPU
Carica un modello preaddestrato e ottieni bounding box, maschere o keypoint in poche righe di Python o con un singolo comando CLI
Traccia oggetti con ID persistenti utilizzando TrackTrack (predefinito), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT o FastTracker
App di visione pronte all'uso per il conteggio di oggetti, mappe termiche, gestione delle code, allarmi di sicurezza e allenamenti, senza necessità di addestramento
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 qualsiasi altra architettura supportata in base a velocità, accuratezza e caso d'uso
Consulta classi, funzioni e firme dei metodi per l'API Python, generate automaticamente dal codice sorgente a ogni nuova release
La nuova famiglia di modelli di Ultralytics offre inferenza end-to-end senza NMS con un miglior compromesso tra accuratezza e latenza rispetto a YOLO11
Come è organizzata questa documentazione#
La maggior parte dei comandi del flusso di lavoro del modello yolo segue una grammatica, yolo [TASK] MODE ARGS, in cui il task è opzionale, e questa documentazione è organizzata attorno alle stesse tre parti, più una scorciatoia:
- Task risponde a cosa desideri da un'immagine: rilevamento, segmentazione di istanze, segmentazione semantica, stima della profondità, classificazione, stima della posa o box orientati.
- Mode risponde a come usi un modello: train, validate, predict, export, track o benchmark.
- Args configura il comando, stabilendo quale model eseguire con
model=e impostando iperparametri comeepochseimgsz. - Solutions è la scorciatoia: un'applicazione finita, come il conteggio di oggetti o un allarme di sicurezza, che evita completamente Task e Mode.
Tutto il resto supporta tale 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 ogni Task si addestra, Guides è una vasta raccolta di guide pratiche approfondite che spaziano dalla distribuzione hardware alla sintonizzazione degli iperparametri, dalla conversione dei dataset ai walkthrough completi dei progetti, Integrations collega la pipeline agli strumenti di addestramento e distribuzione che già usi, e la sezione Reference documenta ogni classe e funzione nell'API Python.
Oltre al pacchetto Python, altre due superfici operano sugli stessi modelli: la Ultralytics Platform per l'annotazione sul cloud, l'addestramento e la distribuzione, e Ultralytics Inference, una libreria Rust indipendente e una CLI per eseguire modelli esportati senza un runtime Python.
Licenze YOLO: Con quale licenza è rilasciato 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, poiché promuove la collaborazione aperta e la condivisione delle conoscenze. Vedi il file LICENSE per maggiori dettagli.
- Licenza Enterprise: per lo sviluppo e l'uso in produzione, questa licenza consente l'integrazione fluida del software e dei modelli di IA di Ultralytics in prodotti e servizi aziendali, inclusi strumenti interni, flussi di lavoro automatizzati e implementazioni in produzione, senza i requisiti open source di AGPL-3.0. Per iniziare, contattaci tramite Licenze Ultralytics.
La nostra strategia di concessione delle licenze è progettata per garantire che qualsiasi miglioramento ai nostri progetti open source venga restituito alla community. Crediamo nell'open source e la nostra missione è garantire che i nostri contributi possano essere utilizzati ed espansi in modi che avvantaggino tutti.
FAQ#
Ultralytics YOLO è la celebre serie YOLO (You Only Look Once) per il rilevamento di oggetti in tempo reale e la segmentazione di immagini. L'ultimo modello, YOLO26, si basa sulle versioni precedenti introducendo l'inferenza end-to-end senza NMS e la distribuzione ottimizzata per l'edge. YOLO supporta varie attività di IA visiva come il rilevamento, la segmentazione di istanze, la segmentazione semantica, la stima della profondità, la classificazione, la stima della posa e i bounding box orientati, e può tracciare gli oggetti rilevati attraverso i fotogrammi video. La sua architettura efficiente garantisce velocità e accuratezza eccellenti, rendendolo adatto a diverse applicazioni, inclusi i dispositivi edge e le API cloud.
Iniziare con YOLO è semplice e veloce. Installa il pacchetto Ultralytics da pip con
pip install ultralytics, quindi esegui la tua prima previsione conyolo predict model=yolo26n.pt— i pesi del modello verranno scaricati automaticamente. Per istruzioni dettagliate che coprono conda, Docker e l'installazione da codice sorgente, visita la pagina Quickstart.L'addestramento di un modello YOLO personalizzato sul tuo dataset richiede alcuni passaggi dettagliati:
- Prepara il tuo dataset annotato e descrivilo in un file YAML del dataset.
- Carica un modello preaddestrato, ad esempio
YOLO("yolo26n.pt")in Python. - Avvia l'addestramento con
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)o dalla riga di comando conyolo 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 processo di addestramento.
Ultralytics offre due opzioni di licenza per YOLO:
- Licenza AGPL-3.0: Questa licenza open source è ideale per uso didattico e non commerciale, promuovendo la collaborazione aperta.
- Licenza Enterprise: Per l'uso di sviluppo e produzione, inclusi strumenti interni, flussi di lavoro automatizzati e distribuzioni di produzione, aggirando i requisiti open source di AGPL-3.0.
Per maggiori dettagli, visita la nostra pagina Licensing.
Ultralytics YOLO supporta il tracciamento multi-oggetto efficiente e personalizzabile. Chiama
YOLO("yolo26n.pt").track(source="path/to/video.mp4")in Python o eseguiyolo track source=path/to/video.mp4dalla riga di comando — entrambi funzionano con file video, streaming live e input da webcam. Per una guida dettagliata sulla configurazione e sull'esecuzione del tracciamento di oggetti, consulta la nostra documentazione Track Mode, che spiega la configurazione e le applicazioni pratiche in scenari in tempo reale.
