Modelli supportati da Ultralytics#
Benvenuto nella documentazione dei modelli di Ultralytics! Offriamo supporto per un'ampia gamma di modelli, ciascuno adattato a compiti specifici come object detection, instance segmentation, semantic segmentation, depth estimation, image classification, pose estimation e multi-object tracking. Se sei interessato a contribuire con la tua architettura di modello a Ultralytics, dai un'occhiata alla nostra Contributing Guide.
Modelli in evidenza#
Inizia con YOLO26 per un nuovo progetto: è l'ultima release di Ultralytics e l'unica che copre tutti e sette i task. YOLO11 è l'alternativa matura, con checkpoint preaddestrati per ciascuno dei suoi cinque task. Scegli una famiglia specializzata solo quando hai bisogno della segmentazione guidata da prompt (SAM 3), del rilevamento a vocabolario aperto (YOLOE, YOLO-World) o di un rilevatore transformer (RT-DETR).
La tabella elenca ogni modello documentato con i task che copre, quali delle modalità di train, val, predict and export sono supportate da Ultralytics per esso e quando sceglierlo. Track non è elencato separatamente: viene eseguito sopra predict per i modelli Detect, Segment, Pose e OBB, mentre SAM 2 e SAM 3 tracciano tramite i propri predittori video. Anche Benchmark non è elencato, perché incapsula export e val tra i formati anziché aggiungere un supporto proprio.
| Modello | Task | Modalità | Sceglilo per |
|---|---|---|---|
| YOLO26 🚀 NEW | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Nuovi progetti: inferenza end-to-end senza NMS, deployment ottimizzato per l'edge e la più ampia copertura di task |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Benchmarking della release comunitaria incentrata sull'attenzione; i pesi preaddestrati coprono solo il rilevamento |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Carichi di lavoro di produzione stabili, con checkpoint preaddestrati per ogni task supportato |
| YOLOv10 | Detect | Train, Val, Predict, Export | Ricerca sul rilevamento senza NMS dell'Università di Tsinghua |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | Programmable Gradient Information (PGI), implementato sulla codebase YOLOv5 di Ultralytics |
| YOLOv8 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Pipeline YOLOv8 esistenti e integrazioni di terze parti consolidate |
| YOLOv7 | Detect | Previsione | Esecuzione di un export YOLOv7 addestrato a monte: il pacchetto effettua previsioni da un modello compatibile ONNX o TensorRT, mai dal checkpoint nativo |
| YOLOv6 | Detect | Train, Val, Predict, Export | Addestramento dell'architettura di Meituan dal suo file YAML; Ultralytics non ospita checkpoint YOLOv6 .pt |
| YOLOv5 | Detect | Train, Val, Predict, Export | Progetti legacy di Ultralytics; le release correnti caricano i checkpoint aggiornati YOLOv5u |
| YOLOv4 | Nessuna | Nessuna | Solo riferimento architetturale: il modello Darknet-native di Alexey Bochkovskiy non è supportato dal pacchetto |
| YOLOv3 | Detect | Train, Val, Predict, Export | Progetti legacy sull'architettura originale di Joseph Redmon; le release correnti caricano i checkpoint aggiornati YOLOv3u |
| SAM 3 🚀 NEW | Segment | Previsione | Segmentazione di concetti guidata da prompt di Meta in immagini e video, da testo o esempi di immagini; sam3.pt richiede l'approvazione dell'accesso su Hugging Face |
| SAM 2 | Segment | Previsione | Segmentazione guidata da prompt di Meta, che traccia oggetti attraverso i fotogrammi video |
| SAM | Segment | Previsione | Segmentazione guidata da prompt originale di Meta, inclusa l'annotazione automatica |
| MobileSAM | Segment | Previsione | Segmentazione guidata da prompt su dispositivi mobili e altri dispositivi con risorse limitate (Kyung Hee University) |
| FastSAM | Segment | Val, Predict, Export | Segmentazione guidata da prompt basata su CNN quando la latenza di SAM è il collo di bottiglia (Accademia Cinese delle Scienze) |
| YOLO-NAS | Detect | Val, Predict, Export | Rilevatori ottimizzati NAS di Deci, mantenuti per l'inferenza e l'export; Deci non li mantiene più dopo l'acquisizione da parte di NVIDIA |
| RT-DETR | Detect | Train, Val, Predict, Export | Rilevatore DETR in tempo reale di Baidu: un backbone convoluzionale con un encoder transformer ibrido |
| YOLO-World | Detect | Train, Val, Predict, Export | Rilevamento a vocabolario aperto da prompt testuali (Tencent AI Lab); l'export richiede i checkpoint di -worldv2 |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Rilevamento e segmentazione a vocabolario aperto con inferenza testuale, visiva o priva di prompt |
Watch: Run Ultralytics YOLO models in just a few lines of code.
Introduzione: Esempi di utilizzo#
Questo esempio fornisce semplici esempi di addestramento e inferenza con YOLO. Per la documentazione completa su queste e altre modes, consulta le pagine di documentazione di Predict, Train, Val e Export.
Nota che l'esempio seguente mette in evidenza i modelli YOLO26 Detect per l'object detection. Per ulteriori task supportati, consulta la documentazione di Segment, Semantic, Depth, Classify, Pose e OBB.
I modelli preaddestrati in PyTorch *.pt e i file di configurazione *.yaml possono essere passati alle classi YOLO(), SAM(), NAS() e RTDETR() per creare un'istanza di modello in Python:
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")Contribuire con nuovi modelli#
Ti interessa contribuire con il tuo modello a Ultralytics? Fantastico! Siamo sempre aperti a espandere il nostro portfolio di modelli.
-
Crea un fork del repository: Inizia facendo un fork del repository GitHub di Ultralytics.
-
Clona il tuo fork: Clona il tuo fork sulla tua macchina locale e crea un nuovo branch su cui lavorare.
-
Implementa il tuo modello: Aggiungi il tuo modello seguendo gli standard di codifica e le linee guida fornite nella nostra Contributing Guide.
-
Testa accuratamente: Assicurati di testare il tuo modello rigorosamente, sia in isolamento che come parte della pipeline.
-
Crea una Pull Request: Una volta soddisfatto del tuo modello, crea una pull request al repository principale per la revisione.
-
Revisione del codice e merging: Dopo la revisione, se il tuo modello soddisfa i nostri criteri, verrà integrato nel repository principale.
Per i passaggi dettagliati, consulta la nostra Contributing Guide.
FAQ#
Qual è l'ultimo modello YOLO di Ultralytics?#
L'ultimo modello YOLO di Ultralytics è YOLO26, rilasciato a gennaio 2026. YOLO26 è caratterizzato da inferenza end-to-end senza NMS, deployment ottimizzato per l'edge e supporta rilevamento, segmentazione di istanze, semantic segmentation, depth estimation, classificazione, stima della Posa e OBB oltre a versioni a vocabolario aperto. Per carichi di lavoro di produzione stabili, sia YOLO26 che YOLO11 sono scelte consigliate.
Come posso addestrare un modello YOLO su dati personalizzati?#
L'addestramento di un modello YOLO su dati personalizzati può essere facilmente realizzato utilizzando le librerie di Ultralytics. Ecco un breve 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 di documentazione di Train.
Quali versioni di YOLO sono supportate da Ultralytics?#
Ultralytics supporta nativamente YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 e YOLO26, insieme alla famiglia SAM (SAM 3, SAM 2, SAM, MobileSAM e FastSAM), YOLO-NAS, RT-DETR, YOLO-World e YOLOE. Il pacchetto non pubblica pesi o file YAML per YOLOv4 o YOLOv7: YOLOv4 è documentato solo come riferimento architetturale, mentre YOLOv7 viene eseguito come modello esportato ONNX o TensorRT. Vedi Featured Models per i task e le modalità disponibili per ciascuno.
Perché dovrei usare Ultralytics Platform per i progetti di machine learning?#
Ultralytics Platform fornisce una piattaforma end-to-end no-code per l'addestramento, il deployment e la gestione dei modelli YOLO. Semplifica i flussi di lavoro complessi, consentendo agli utenti di concentrarsi sulle prestazioni del modello e sull'applicazione. Offre inoltre funzionalità di addestramento su cloud, una gestione completa dei dataset e interfacce intuitive sia per principianti che per sviluppatori esperti.
Quali tipi di attività possono eseguire i modelli YOLO di Ultralytics?#
I modelli YOLO di Ultralytics sono versatili e possono eseguire task tra cui object detection, instance segmentation, semantic segmentation, depth estimation, classificazione, stima della Posa e oriented object detection (OBB). L'ultimo modello, YOLO26, supporta tutti e sette i task più il rilevamento a vocabolario aperto. Per i dettagli su task specifici, fai riferimento alle Task pages.