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#
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.
L'addestramento di un modello YOLO su dati personalizzati può essere facilmente realizzato utilizzando le librerie di Ultralytics. Ecco un breve esempio:
Esempiofrom 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.
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.
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.
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.