Ultralyticsがサポートするモデル#
Ultralyticsのモデルドキュメントへようこそ！幅広いモデルをサポートしており、それぞれのモデルは物体検出、インスタンスセグメンテーション、セマンティックセグメンテーション、深度推定、画像分類、姿勢推定、回転バウンディングボックスなどの特定のタスクに合わせて設計されています。モデルアーキテクチャをUltralyticsに提供することにご関心がある場合は、コントリビューションガイドをご覧ください。
注目のモデル#
新しいプロジェクトではYOLO26から始めましょう。Ultralyticsの最新リリースであり、7つすべてのタスクに対応する唯一のモデルです。YOLO11は成熟した代替モデルで、対応する5つのタスクそれぞれに事前トレーニング済みチェックポイントがあります。プロンプト可能なセグメンテーション（SAM 3）、オープンボキャブラリー検出（YOLOE、YOLO-World）、またはTransformer検出器（RT-DETR）が必要な場合に限り、特化したモデルファミリーを選択してください。
YOLO27は、今年後半のリリースを目指して最終段階のR&Dを進めていますが、リリース日は未定です。アーキテクチャ、予定している7つのタスク、初期ベンチマークをご覧ください。モデルの重みとパッケージのサポートはまだ利用できません。現在のプロジェクトにはYOLO26をご使用ください。
この表では、リリース済みモデルとアーキテクチャのリファレンスについて、対応タスク、train、val、predict、exportモード、おすすめの用途を示しています。Trackは個別に記載していません。Detect、Segment、Pose、OBBモデルのpredict上で実行される一方、SAM 2とSAM 3は独自の動画predictorを通じてトラッキングを行います。Benchmarkも個別に記載していません。独自のサポートを追加するのではなく、複数の形式にわたるexportとvalをまとめて実行するためです。
| モデル | タスク | モード | 選択する理由 |
|---|---|---|---|
| YOLO26 🚀 新登場 | Detect、Segment、Semantic、Depth、Classify、Pose、OBB | Train、Val、Predict、Export | 新規プロジェクト向け：NMSなし推論を選択可能、エッジ向けに最適化されたデプロイ、最も幅広いタスクへの対応 |
| YOLO12 | Detect、Segment、Classify、Pose、OBB | Train、Val、Predict、Export | アテンション中心のコミュニティリリースのベンチマークに最適です。事前トレーニング済みの重みは検出のみを対象としています。 |
| YOLO11 | Detect、Segment、Classify、Pose、OBB | Train、Val、Predict、Export | 安定した本番ワークロードに適しており、対応するすべてのタスクに事前トレーニング済みチェックポイントがあります。 |
| YOLOv10 | Detect | Train、Val、Predict、Export | 清華大学によるNMSなし検出の研究 |
| YOLOv9 | Detect、Segment | Train、Val、Predict、Export | UltralyticsのYOLOv5コードベースに実装されたプログラム可能な勾配情報（PGI） |
| YOLOv8 | Detect、Segment、Classify、Pose、OBB | Train、Val、Predict、Export | 既存のYOLOv8パイプラインや、広く利用されているサードパーティ統合に適しています。 |
| YOLOv7 | Detect | 推論 | 上流でトレーニングされたYOLOv7のエクスポートを実行します。パッケージは互換性のあるONNXまたはTensorRTモデルから推論を行い、ネイティブチェックポイントからは推論しません。 |
| YOLOv6 | Detect | Train、Val、Predict、Export | YAMLからMeituanのアーキテクチャをトレーニングできます。UltralyticsはYOLOv6の.ptチェックポイントを提供していません。 |
| YOLOv5 | Detect | Train、Val、Predict、Export | 従来のUltralyticsプロジェクト向けです。現在のリリースでは、更新版YOLOv5uのチェックポイントを読み込みます。 |
| YOLOv4 | なし | なし | アーキテクチャのリファレンスのみです。Alexey BochkovskiyによるDarknetネイティブモデルはパッケージでサポートされていません。 |
| YOLOv3 | Detect | Train、Val、Predict、Export | Joseph Redmonのオリジナルアーキテクチャを使用する従来のプロジェクト向けです。現在のリリースでは、更新版YOLOv3uのチェックポイントを読み込みます。 |
| SAM 3 🚀 新登場 | Segment | 推論 | Metaによる、テキストまたは画像の例から画像や動画内の概念をプロンプトで指定してセグメンテーションする機能です。sam3.ptおよびSAM 3.1のsam3.1_multiplex.pt（画像）を利用するには、Hugging Faceでアクセス承認が必要です。 |
| SAM 2 | Segment | 推論 | Metaによるプロンプト可能なセグメンテーション機能で、動画のフレーム間で物体を追跡します。 |
| SAM | Segment | 推論 | 自動アノテーションを含む、Metaによる初代のプロンプト可能なセグメンテーションです。 |
| MobileSAM | Segment | 推論 | モバイルやその他のリソースに制約のあるデバイスでのプロンプト可能なセグメンテーション（慶熙大学） |
| FastSAM | Segment | Val、Predict、Export | SAMのレイテンシがボトルネックとなる場合に適した、CNNベースのプロンプト可能なセグメンテーション（中国科学院） |
| YOLO-NAS | Detect | Val、Predict、Export | DeciのNAS最適化検出器です。推論とエクスポート向けに維持されています。NVIDIAによる買収後、Deciはメンテナンスを終了しました。 |
| RT-DETR | Detect | Train、Val、Predict、Export | BaiduのリアルタイムDETR検出器です。畳み込みバックボーンとハイブリッドTransformerエンコーダーを備えています。 |
| YOLO-World | Detect | Train、Val、Predict、Export | テキストプロンプトによるオープンボキャブラリー検出（Tencent AI Lab）です。エクスポートには-worldv2チェックポイントが必要です。 |
| YOLOE | Detect、Segment | Train、Val、Predict、Export | テキスト、視覚情報、またはプロンプトなしの推論によるオープンボキャブラリー検出とセグメンテーション |
Ultralyticsは、テキストや画像を理解するための大規模言語モデルおよび視覚モデル向けに、OpenAI互換インターフェースのLLMも提供しています。独自のタスクやモードはないため上記の表には含まれていませんが、あらゆるYOLOパイプラインと組み合わせることができ、OpenAIなどのクラウドプロバイダー、または完全なオンプレミスサーバー上で実行できます。
視聴: わずか数行のコードで Ultralytics YOLO モデルを実行する方法。
はじめに：使用例#
この例では、YOLOのトレーニングと推論の基本的な例を紹介します。これらの例やその他のモードに関する完全なドキュメントについては、Predict、Train、Val、Exportの各ドキュメントページをご覧ください。
なお、以下の例では、YOLO26の検出モデルによる物体検出に焦点を当てています。その他の対応タスクについては、セグメンテーション、セマンティックセグメンテーション、深度推定、分類、姿勢推定、OBBの各ドキュメントをご覧ください。
PyTorchの事前トレーニング済み*.ptモデルと、設定用の*.yamlファイルをYOLO()、SAM()、NAS()、RTDETR()クラスに渡すと、Pythonでモデルインスタンスを作成できます。
from ultralytics import YOLO
# COCOで事前学習したYOLO26nモデルを読み込む
model = YOLO("yolo26n.pt")
# モデル情報を表示（任意）
model.info()
# COCO8サンプルデータセットでモデルを100エポック学習する
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 'bus.jpg'画像でYOLO26nモデルを使って推論を実行する
results = model("path/to/bus.jpg")新しいモデルの提供#
モデルをUltralyticsに提供することにご興味がありますか？ぜひご参加ください。モデルのポートフォリオをいつでも拡充したいと考えています。
-
リポジトリをフォークする：Ultralytics GitHubリポジトリをフォークすることから始めます。
-
フォークをクローンする：フォークをローカルマシンにクローンし、作業用の新しいブランチを作成します。
-
モデルを実装する：貢献ガイドに記載されているコーディング標準とガイドラインに従って、モデルを追加します。
-
十分にテストする：モデル単体とパイプラインの一部としての両方で、厳密にテストしてください。
-
プルリクエストを作成する：モデルに問題がないことを確認したら、レビューのためにメインリポジトリへプルリクエストを作成します。
-
コードレビューとマージ：レビュー後、モデルが基準を満たしていれば、メインリポジトリにマージされます。
詳しい手順については、貢献ガイドをご覧ください。
よくある質問#
リリース済みのUltralytics YOLOモデルの最新版は、2026年1月にリリースされたYOLO26です。YOLO26は、NMSなしのエンドツーエンド推論を選択でき、エッジデプロイ向けに最適化されています。また、検出、インスタンスセグメンテーション、セマンティックセグメンテーション、深度推定、分類、姿勢推定、OBBに加え、オープンボキャブラリー版にも対応しています。安定した本番ワークロードには、YOLO26とYOLO11のどちらもおすすめです。
YOLO27は現在、最終段階のR&Dを進めている次期モデルファミリーです。まだ利用できず、リリース日は未定です。
Ultralyticsのライブラリを使用すると、カスタムデータでYOLOモデルを簡単にトレーニングできます。簡単な例を以下に示します。
例from ultralytics import YOLO # YOLOモデルを読み込む model = YOLO("yolo26n.pt") # またはその他のYOLOモデル # カスタムデータセットでモデルをトレーニング results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)詳しい手順については、Trainのドキュメントページをご覧ください。
Ultralyticsは、YOLOv3、YOLOv5、YOLOv6、YOLOv8、YOLOv9、YOLOv10、YOLO11、YOLO12、YOLO26に加え、SAMファミリー（SAM 3、SAM 2、SAM、MobileSAM、FastSAM）、YOLO-NAS、RT-DETR、YOLO-World、YOLOEを標準でサポートしています。パッケージではYOLOv4またはYOLOv7の重みやYAMLは公開していません。YOLOv4はアーキテクチャの参考情報としてのみドキュメント化されており、YOLOv7はエクスポート済みのONNXまたはTensorRTモデルとして実行できます。各モデルで利用できるタスクとモードについては、注目のモデルをご覧ください。
Ultralytics Platformは、YOLOモデルのトレーニング、デプロイ、管理を行うための、ノーコードのエンドツーエンドプラットフォームです。複雑なワークフローを簡素化することで、ユーザーはモデルのパフォーマンスとアプリケーションに集中できます。また、クラウドトレーニング機能、包括的なデータセット管理、初心者から経験豊富な開発者まで使いやすいインターフェースも提供します。
Ultralytics YOLOモデルは汎用性が高く、物体検出、インスタンスセグメンテーション、セマンティックセグメンテーション、深度推定、分類、姿勢推定、方向付き物体検出（OBB）などのタスクを実行できます。最新モデルのYOLO26は、7つすべてのタスクに加え、オープンボキャブラリー検出をサポートしています。各タスクの詳細については、タスクページをご覧ください。