Modelli supportati da Ultralytics#
Benvenuto nella documentazione sui modelli di Ultralytics! Offriamo supporto per un'ampia gamma di modelli, ciascuno progettato per attività specifiche come rilevamento degli oggetti, segmentazione delle istanze, segmentazione semantica, stima della profondità, classificazione delle immagini, stima della posa e bounding box orientati. Se ti interessa contribuire con la tua architettura di modello a Ultralytics, consulta la nostra Guida ai contributi.
Modelli in evidenza#
Inizia con YOLO26 per un nuovo progetto: è la versione più recente di Ultralytics e l'unica a coprire tutte e sette le attività. YOLO11 è l'alternativa più consolidata, con checkpoint preaddestrati per ognuna delle sue cinque attività. Scegli una famiglia specializzata solo quando ti serve la segmentazione con prompt (SAM 3), il rilevamento a vocabolario aperto (YOLOE, YOLO-World) o un rilevatore basato su Transformer (RT-DETR).
YOLO27 è in fase di R&D finale per un lancio previsto nel corso dell'anno, senza una data di lancio definita. Anteprima dell'architettura, sette attività pianificate e benchmark preliminari. I pesi dei modelli e il supporto dei pacchetti non sono ancora disponibili; usa YOLO26 per i progetti attuali.
La tabella elenca i modelli rilasciati e i riferimenti dell'architettura con le relative attività, le modalità di train, val, predict and 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 effettuano il tracciamento tramite i propri predittori video. Anche Benchmark non è elencato, perché esegue il wrapping di export e val tra i formati anziché aggiungere un proprio supporto.
| Modello | Attività | Modalità | Sceglilo per |
|---|---|---|---|
| YOLO26 🚀 NUOVO | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Nuovi progetti: inferenza opzionale senza NMS, distribuzione ottimizzata per l'edge e la più ampia copertura di attività |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Benchmark della versione community incentrata sull'attention; 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 attività supportata |
| YOLOv10 | Detect | Train, Val, Predict, Export | Ricerca sul rilevamento senza NMS della Tsinghua University |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | Informazioni sul gradiente programmabili (PGI), implementate sulla codebase Ultralytics di YOLOv5 |
| YOLOv8 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Pipeline YOLOv8 esistenti e integrazioni di terze parti consolidate |
| YOLOv7 | Detect | Predizione | Esecuzione di un export YOLOv7 addestrato upstream: il pacchetto esegue previsioni da un modello ONNX o TensorRT compatibile, mai dal checkpoint nativo |
| YOLOv6 | Detect | Train, Val, Predict, Export | Addestramento dell'architettura di Meituan dal relativo YAML; Ultralytics non ospita checkpoint .pt di YOLOv6 |
| YOLOv5 | Detect | Train, Val, Predict, Export | Progetti Ultralytics legacy; le versioni attuali caricano i checkpoint YOLOv5u aggiornati |
| YOLOv4 | Nessuno | Nessuno | Solo riferimento all'architettura: il modello nativo Darknet di Alexey Bochkovskiy non è supportato dal pacchetto |
| YOLOv3 | Detect | Train, Val, Predict, Export | Progetti legacy basati sull'architettura originale di Joseph Redmon; le versioni attuali caricano i checkpoint YOLOv3u aggiornati |
| SAM 3 🚀 NUOVO | Segment | Predizione | La segmentazione a prompt di Meta per immagini e video, basata su testo o su esempi di immagini; sam3.pt e SAM 3.1 sam3.1_multiplex.pt (immagini) richiedono l'approvazione dell'accesso su Hugging Face |
| SAM 2 | Segment | Predizione | Segmentazione con prompt di Meta, con tracking degli oggetti tra i fotogrammi video |
| SAM | Segment | Predizione | Segmentazione originale con prompt di Meta, inclusa l'annotazione automatica |
| MobileSAM | Segment | Predizione | Segmentazione con prompt su dispositivi mobili e altri dispositivi con risorse limitate (Kyung Hee University) |
| FastSAM | Segment | Val, Predict, Export | Segmentazione con prompt basata su CNN quando la latenza di SAM è il collo di bottiglia (Chinese Academy of Sciences) |
| YOLO-NAS | Detect | Val, Predict, Export | Rilevatori ottimizzati con NAS di Deci, mantenuti per inferenza ed 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 ibrido basato su Transformer |
| YOLO-World | Detect | Train, Val, Predict, Export | Rilevamento a vocabolario aperto da prompt testuali (Tencent AI Lab); l'export richiede i checkpoint -worldv2 |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Rilevamento e segmentazione a vocabolario aperto con inferenza basata su testo, elementi visivi o senza prompt |
Ultralytics distribuisce 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 precedente, ma si abbina a qualsiasi pipeline YOLO e può essere eseguito con OpenAI e altri provider cloud oppure su un server on-premise completamente locale.
Watch: Run Ultralytics YOLO models in just a few lines of code.
Per iniziare: esempi di utilizzo#
Questo esempio fornisce semplici esempi di addestramento e inferenza YOLO. Per la documentazione completa su queste e altre modalità, consulta le pagine della documentazione Predict, Train, Val ed Export.
L'esempio seguente mostra in particolare i modelli YOLO26 Detect per il rilevamento degli oggetti. Per le altre attività supportate, consulta la documentazione di 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
# 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? Ottimo! Siamo sempre disponibili ad ampliare il nostro portafoglio di modelli.
-
Forka il repository: inizia creando un fork del repository GitHub di Ultralytics.
-
Clona il tuo fork: clona il tuo fork sul computer locale e crea un nuovo branch su cui lavorare.
-
Implementa il tuo modello: aggiungi il modello seguendo gli standard e le linee guida di codifica indicati nella nostra Guida ai contributi.
-
Esegui test approfonditi: assicurati di testare rigorosamente il modello, sia in isolamento sia come parte della pipeline.
-
Crea una pull request: quando il modello ti soddisfa, crea una pull request verso il repository principale per la revisione.
-
Revisione e merge del codice: dopo la revisione, se il modello soddisfa i nostri criteri, verrà integrato nel repository principale.
Per i passaggi dettagliati, consulta la nostra Guida ai contributi.
FAQ#
L'ultimo modello Ultralytics YOLO rilasciato è YOLO26, uscito a gennaio 2026. YOLO26 presenta un'inferenza end-to-end opzionale senza NMS, un deployment edge ottimizzato e supporta rilevamento, segmentazione di istanze, semantic segmentation, depth estimation, classificazione, stima della pose e OBB, oltre a versioni open-vocabulary. Per carichi di lavoro di produzione stabili, sia YOLO26 che YOLO11 sono scelte consigliate.
YOLO27 è la prossima famiglia, attualmente in fase di R&D finale. Non è ancora disponibile e non ha una data di lancio definita.
L'addestramento di un modello YOLO su dati personalizzati è semplice grazie alle librerie di Ultralytics. Ecco un rapido 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 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 pubblica pesi né YAML per YOLOv4 o YOLOv7: YOLOv4 è documentato solo come riferimento all'architettura, mentre YOLOv7 viene eseguito come modello ONNX o TensorRT esportato. Consulta Modelli in evidenza per le attività e le modalità disponibili per ciascun modello.
Ultralytics Platform offre una piattaforma end-to-end 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 cloud, una gestione completa dei dataset e interfacce intuitive sia per i principianti sia per gli sviluppatori esperti.
I modelli YOLO di Ultralytics sono versatili e possono svolgere attività tra cui rilevamento degli oggetti, segmentazione delle istanze, segmentazione semantica, stima della profondità, classificazione, stima della posa e rilevamento di oggetti orientati (OBB). L'ultimo modello, YOLO26, supporta tutte e sette le attività, oltre al rilevamento a vocabolario aperto. Per informazioni dettagliate sulle singole attività, consulta le pagine delle attività.