Link to this sectionModelli supportati da Ultralytics#

Benvenuto nella documentazione sui modelli di Ultralytics! Offriamo supporto per un'ampia gamma di modelli, ognuno pensato per attività specifiche come rilevamento oggetti, segmentazione di istanze, segmentazione semantica, classificazione di immagini, stima della posa e tracciamento multi-oggetto. Se ti interessa contribuire con la tua architettura di modello a Ultralytics, dai un'occhiata alla nostra Guida al contributo.

Link to this sectionModelli in evidenza#

Ecco alcuni dei principali modelli supportati:

1. YOLOv3: La terza iterazione della famiglia di modelli YOLO, originariamente creata da Joseph Redmon, nota per le sue efficienti capacità di rilevamento oggetti in tempo reale.
2. YOLOv4: Un aggiornamento nativo di darknet per YOLOv3, rilasciato da Alexey Bochkovskiy nel 2020.
3. YOLOv5: Una versione migliorata dell'architettura YOLO realizzata da Ultralytics, che offre migliori compromessi tra prestazioni e velocità rispetto alle versioni precedenti.
4. YOLOv6: Rilasciato da Meituan nel 2022 e utilizzato in molti dei robot per consegne autonome dell'azienda.
5. YOLOv7: Modelli YOLO aggiornati rilasciati nel 2022 dagli autori di YOLOv4. È supportata solo l'inferenza.
6. YOLOv8: Un modello versatile che offre funzionalità avanzate come segmentazione di istanze, stima della posa/punti chiave e classificazione.
7. YOLOv9: Un modello sperimentale addestrato sulla codebase di Ultralytics YOLOv5 che implementa la PGI (Programmable Gradient Information).
8. YOLOv10: Realizzato dalla Tsinghua University, presenta un addestramento senza NMS e un'architettura orientata all'efficienza e alla precisione, offrendo prestazioni e latenza allo stato dell'arte.
9. YOLO11: I modelli YOLO di Ultralytics che offrono elevate prestazioni in molteplici attività, tra cui rilevamento, segmentazione, stima della posa, tracciamento e classificazione.
10. YOLO26 🚀 NOVITÀ: Il più recente modello YOLO di prossima generazione di Ultralytics, ottimizzato per l'implementazione edge con inferenza end-to-end senza NMS.
11. Segment Anything Model (SAM): Il Segment Anything Model (SAM) originale di Meta.
12. Segment Anything Model 2 (SAM2): La nuova generazione del Segment Anything Model di Meta per video e immagini.
13. Segment Anything Model 3 (SAM3) 🚀 NOVITÀ: Il Segment Anything Model di terza generazione di Meta con Segmentazione di Concetti Richiedibili (Promptable Concept Segmentation) per segmentazione basata su testo ed esempi di immagini.
14. Mobile Segment Anything Model (MobileSAM): MobileSAM per applicazioni mobili, realizzato dalla Kyung Hee University.
15. Fast Segment Anything Model (FastSAM): FastSAM del gruppo Image & Video Analysis, Institute of Automation, Chinese Academy of Sciences.
16. YOLO-NAS: Modelli YOLO Neural Architecture Search (NAS).
17. Real-Time Detection Transformers (RT-DETR): Modelli Transformer di rilevamento in tempo reale (RT-DETR) basati su PaddlePaddle di Baidu.
18. YOLO-World: Modelli di rilevamento oggetti open-vocabulary in tempo reale del Tencent AI Lab.
19. YOLOE: Un rilevatore di oggetti open-vocabulary migliorato che mantiene le prestazioni in tempo reale di YOLO mentre rileva classi arbitrarie al di fuori dei suoi dati di addestramento.

Link to this sectionPer iniziare: Esempi di utilizzo#

Questo esempio fornisce semplici esempi di addestramento e inferenza con YOLO. Per la documentazione completa su queste e altre modalità, consulta le pagine dei documenti Predict, Train, Val ed Export.

Nota che l'esempio sottostante mette in luce i modelli YOLO11 Detect per il rilevamento oggetti. Per ulteriori attività supportate, consulta i documenti Segment, Classify e Pose.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Link to this sectionContribuire con nuovi modelli#

Ti interessa contribuire con il tuo modello a Ultralytics? Ottimo! Siamo sempre aperti ad ampliare il nostro portfolio di modelli.

1. Fai il fork del repository: Inizia facendo il fork del repository GitHub di Ultralytics.

2. Clona il tuo fork: Clona il tuo fork sulla tua macchina locale e crea un nuovo ramo su cui lavorare.

3. Implementa il tuo modello: Aggiungi il tuo modello seguendo gli standard di codifica e le linee guida fornite nella nostra Guida al contributo.

4. Testa accuratamente: Assicurati di testare il tuo modello rigorosamente, sia in isolamento che come parte della pipeline.

5. Crea una Pull Request: Una volta soddisfatto del tuo modello, crea una pull request verso il repository principale per la revisione.

6. Revisione del codice e unione: Dopo la revisione, se il tuo modello soddisfa i nostri criteri, verrà unito al repository principale.

Per i passaggi dettagliati, consulta la nostra Guida al contributo.

Link to this sectionFAQ#

Link to this sectionQual è l'ultimo modello YOLO di Ultralytics?#

L'ultimo modello YOLO di Ultralytics è YOLO26, rilasciato a gennaio 2026. YOLO26 offre inferenza end-to-end senza NMS, un'implementazione edge ottimizzata e supporta rilevamento, segmentazione di istanze, segmentazione semantica, classificazione, stima della posa, OBB e versioni open-vocabulary. Per carichi di lavoro di produzione stabili, sia YOLO26 che YOLO11 sono scelte consigliate.

Link to this sectionCome posso addestrare un modello YOLO su dati personalizzati?#

Addestrare un modello YOLO su dati personalizzati può essere facilmente realizzato utilizzando le librerie di Ultralytics. Ecco un rapido esempio:

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.pt")  # or any other YOLO model

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

Per istruzioni più dettagliate, visita la pagina della documentazione Train.

Link to this sectionQuali versioni di YOLO sono supportate da Ultralytics?#

Ultralytics supporta una gamma completa di versioni YOLO (You Only Look Once), da YOLOv3 a YOLO26, insieme a modelli come YOLO-NAS, SAM e RT-DETR. Ogni versione è ottimizzata per varie attività come rilevamento, segmentazione, segmentazione semantica e classificazione. Per informazioni dettagliate su ogni modello, consulta la documentazione Modelli supportati da Ultralytics.

Link to this sectionPerché dovrei usare la piattaforma Ultralytics per progetti di machine learning?#

Ultralytics Platform fornisce una piattaforma no-code end-to-end per addestrare, implementare e gestire i modelli YOLO. Semplifica i flussi di lavoro complessi, consentendo agli utenti di concentrarsi sulle prestazioni del modello e sull'applicazione. HUB offre anche capacità di addestramento su cloud, una gestione completa dei set di dati e interfacce intuitive sia per principianti che per sviluppatori esperti.

Link to this sectionQuali tipi di attività possono eseguire i modelli YOLO di Ultralytics?#

I modelli YOLO di Ultralytics sono versatili e possono eseguire attività tra cui rilevamento oggetti, segmentazione di istanze, segmentazione semantica, classificazione, stima della posa e rilevamento oggetti orientati (OBB). L'ultimo modello, YOLO26, supporta tutte e sei le attività più il rilevamento open-vocabulary. Per dettagli su attività specifiche, consulta le Pagine sulle attività.