Modelli supportati da Ultralytics#
Benvenuto nella documentazione dei modelli Ultralytics! Supportiamo un'ampia gamma di modelli, ciascuno progettato per attività specifiche come il rilevamento di oggetti, la segmentazione di istanze, la segmentazione semantica, la stima della profondità, la classificazione delle immagini, la stima della posa e i riquadri di delimitazione orientati. Se ti interessa contribuire all'architettura del tuo modello a Ultralytics, consulta la nostra Guida alla contribuzione.
Modelli in evidenza#
Inizia con YOLO26 per un nuovo progetto: è l'ultima versione di Ultralytics ed è l'unica a coprire tutte e sette le attività. YOLO11 è l'alternativa consolidata, con checkpoint preaddestrati per ciascuna delle sue cinque attività. Scegli una famiglia specializzata solo se ti serve la segmentazione guidata da prompt (SAM 3), il rilevamento a vocabolario aperto (YOLOE, YOLO-World) o un rilevatore basato su Transformer (RT-DETR).
YOLO27 è nella fase finale di ricerca e sviluppo (R&D) in vista del lancio previsto per la fine di quest'anno, ma non è stata fissata una data. Scopri in anteprima la sua architettura, le sette attività previste e i benchmark preliminari. I pesi del modello e il supporto nel pacchetto non sono ancora disponibili; per i progetti attuali, usa YOLO26.
La tabella elenca i modelli rilasciati e i riferimenti alle architetture, con le relative attività, le modalità train, val, predict ed export supportate e i casi d'uso consigliati. Track non è elencato separatamente: viene eseguito sopra predict per i modelli Detect, Segment, Pose e OBB, mentre SAM 2 e SAM 3 eseguono il tracking tramite i propri predittori video. Anche Benchmark non è elencato, perché combina export e val tra i vari formati anziché aggiungere un supporto specifico.
| Modello | Attività | Modalità | Sceglilo per |
|---|---|---|---|
| YOLO26 🚀 NUOVO | Rilevamento, segmentazione, segmentazione semantica, profondità, classificazione, posa, OBB | Train, Val, Predict, Export | Nuovi progetti: inferenza opzionalmente senza NMS, deployment ottimizzato per l'edge e la più ampia copertura di attività |
| YOLO12 | Rilevamento, segmentazione, classificazione, posa, OBB | Train, Val, Predict, Export | Benchmark dell'edizione della community incentrata sull'attenzione; i pesi preaddestrati coprono solo il rilevamento |
| YOLO11 | Rilevamento, segmentazione, classificazione, posa, OBB | Train, Val, Predict, Export | Carichi di lavoro di produzione stabili, con checkpoint preaddestrati per ogni attività supportata |
| YOLOv10 | Rilevamento | Train, Val, Predict, Export | Ricerca sul rilevamento senza NMS della Tsinghua University |
| YOLOv9 | Rilevamento, segmentazione | Train, Val, Predict, Export | Informazioni sul gradiente programmabile (PGI), implementate sulla base di codice Ultralytics YOLOv5 |
| YOLOv8 | Rilevamento, segmentazione, classificazione, posa, OBB | Train, Val, Predict, Export | Pipeline YOLOv8 esistenti e integrazioni di terze parti consolidate |
| YOLOv7 | Rilevamento | Predici | Esecuzione di un modello YOLOv7 esportato e addestrato upstream: il pacchetto esegue previsioni da un modello ONNX o TensorRT compatibile, mai dal checkpoint nativo |
| YOLOv6 | Rilevamento | Train, Val, Predict, Export | Addestramento dell'architettura di Meituan dal relativo YAML; Ultralytics non ospita checkpoint .pt di YOLOv6 |
| YOLOv5 | Rilevamento | Train, Val, Predict, Export | Progetti Ultralytics legacy; le versioni attuali caricano i checkpoint YOLOv5u aggiornati |
| YOLOv4 | Nessuno | Nessuno | Solo riferimento per l'architettura: il modello nativo Darknet di Alexey Bochkovskiy non è supportato dal pacchetto |
| YOLOv3 | Rilevamento | Train, Val, Predict, Export | Progetti legacy basati sull'architettura originale di Joseph Redmon; le versioni attuali caricano i checkpoint YOLOv3u aggiornati |
| SAM 3 🚀 NUOVO | Segmentazione | Predici | La segmentazione di concetti guidata da prompt di Meta per immagini e video, basata su esempi di testo o immagini; sam3.pt e sam3.1_multiplex.pt di SAM 3.1 (immagini) richiedono l'approvazione dell'accesso su Hugging Face |
| SAM 2 | Segmentazione | Predici | La segmentazione guidata da prompt di Meta, che traccia gli oggetti tra i fotogrammi video |
| SAM | Segmentazione | Predici | La segmentazione guidata da prompt originale di Meta, inclusa l'annotazione automatica |
| MobileSAM | Segmentazione | Predici | Segmentazione guidata da prompt su dispositivi mobili e altri dispositivi con risorse limitate (Kyung Hee University) |
| FastSAM | Segmentazione | Val, Predict, Export | Segmentazione guidata da prompt basata su CNN quando la latenza di SAM è il collo di bottiglia (Chinese Academy of Sciences) |
| YOLO-NAS | Rilevamento | Val, Predict, Export | Rilevatori di Deci ottimizzati con NAS, mantenuti per l'inferenza e l'esportazione; Deci non li gestisce più dopo l'acquisizione da parte di NVIDIA |
| RT-DETR | Rilevamento | Train, Val, Predict, Export | Rilevatore DETR in tempo reale di Baidu: backbone convoluzionale con encoder ibrido Transformer |
| YOLO-World | Rilevamento | Train, Val, Predict, Export | Rilevamento a vocabolario aperto basato su prompt testuali (Tencent AI Lab); l'esportazione richiede i checkpoint -worldv2 |
| YOLOE | Rilevamento, segmentazione | Train, Val, Predict, Export | Rilevamento a vocabolario aperto e segmentazione con inferenza basata su testo, elementi visivi o senza prompt |
Ultralytics include anche LLM, un'interfaccia compatibile con OpenAI per modelli linguistici e visivi di grandi dimensioni, destinata alla comprensione di testo e immagini. Non dispone di attività o modalità proprie, quindi non compare nella tabella qui sopra, ma si integra con qualsiasi pipeline YOLO e funziona con OpenAI e altri provider cloud oppure con un server on-premise completamente locale.
Guarda: Esegui i modelli Ultralytics YOLO con poche righe di codice.
Per iniziare: esempi d'uso#
Questo esempio presenta semplici esempi di addestramento e inferenza con YOLO. Per la documentazione completa su queste e altre modalità, consulta le pagine della documentazione Predict, Train, Val ed Export.
L'esempio seguente si concentra sui modelli YOLO26 Detect per il rilevamento di oggetti. Per le altre attività supportate, consulta la documentazione Segment, Semantic, Depth, Classify, Pose e OBB.
I modelli *.pt preaddestrati con PyTorch, così come i file di configurazione *.yaml, possono essere passati alle classi YOLO(), SAM(), NAS() e RTDETR() per creare un'istanza del modello in Python:
from ultralytics import YOLO
# Carica un modello YOLO26n preaddestrato su COCO
model = YOLO("yolo26n.pt")
# Visualizza le informazioni sul modello (facoltativo)
model.info()
# Addestra il modello sul dataset di esempio COCO8 per 100 epoche
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Esegui l'inferenza con il modello YOLO26n sull'immagine 'bus.jpg'
results = model("path/to/bus.jpg")Contribuire con nuovi modelli#
Ti interessa contribuire con il tuo modello a Ultralytics? Ottimo! Siamo sempre pronti ad ampliare il nostro portfolio di modelli.
-
Fai un fork del repository: inizia creando un fork del repository GitHub di Ultralytics.
-
Clona il tuo fork: clona il tuo fork sul tuo computer locale e crea un nuovo branch su cui lavorare.
-
Implementa il tuo modello: aggiungi il tuo modello seguendo gli standard e le linee guida di codifica forniti nella nostra Guida alla contribuzione.
-
Esegui test approfonditi: assicurati di testare accuratamente il tuo modello, sia separatamente sia all'interno della pipeline.
-
Crea una pull request: quando sei soddisfatto del tuo modello, crea una pull request verso il repository principale per la revisione.
-
Revisione del codice e integrazione: dopo la revisione, se il tuo modello soddisfa i nostri criteri, verrà integrato nel repository principale.
Per i passaggi dettagliati, consulta la nostra Guida alla contribuzione.
Domande frequenti#
L'ultimo modello Ultralytics YOLO rilasciato è YOLO26, pubblicato a gennaio 2026. YOLO26 offre inferenza end-to-end opzionalmente senza NMS, deployment ottimizzato per l'edge e supporta il rilevamento, la segmentazione di istanze, la segmentazione semantica, la stima della profondità, la classificazione, la stima della posa e OBB, oltre alle versioni a vocabolario aperto. Per carichi di lavoro di produzione stabili, YOLO26 e YOLO11 sono entrambi scelte consigliate.
YOLO27 è la prossima famiglia, attualmente nella fase finale di ricerca e sviluppo (R&D). Non è ancora disponibile e non è stata fissata una data di lancio.
Puoi addestrare facilmente un modello YOLO con dati personalizzati usando le librerie Ultralytics. Ecco un breve esempio:
Esempiofrom ultralytics import YOLO # Carica un modello YOLO model = YOLO("yolo26n.pt") # o qualsiasi altro modello YOLO # Addestra il modello sul dataset personalizzato results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)Per istruzioni più dettagliate, visita la pagina della documentazione Train.
Ultralytics supporta nativamente YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 e YOLO26, oltre alla famiglia SAM (SAM 3, SAM 2, SAM, MobileSAM e FastSAM), YOLO-NAS, RT-DETR, YOLO-World e YOLOE. Il pacchetto non distribuisce pesi né file YAML per YOLOv4 o YOLOv7: YOLOv4 è documentato solo come riferimento architetturale, mentre YOLOv7 viene eseguito come modello ONNX o TensorRT esportato. Consulta Modelli in evidenza per scoprire le attività e le modalità disponibili per ciascun modello.
Ultralytics Platform offre una piattaforma completa, end-to-end e senza codice per addestrare, distribuire e gestire modelli YOLO. Semplifica i flussi di lavoro complessi, permettendoti di concentrarti sulle prestazioni del modello e sull'applicazione. Offre inoltre funzionalità di addestramento nel cloud, una gestione completa dei dataset e interfacce intuitive sia per chi è agli inizi sia per gli sviluppatori esperti.
I modelli Ultralytics YOLO sono versatili e possono svolgere diverse attività, tra cui il rilevamento di oggetti, la segmentazione di istanze, la segmentazione semantica, la stima della profondità, la classificazione, la stima della posa e il rilevamento di oggetti orientati (OBB). Il modello più recente, YOLO26, supporta tutte e sette le attività e il rilevamento a vocabolario aperto. Per informazioni dettagliate su attività specifiche, consulta le pagine delle attività.