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！object detection、instance segmentation、semantic segmentation、depth estimation、image classification、pose estimation、multi-object trackingなど、特定のタスクに最適化された幅広いモデルをサポートしています。ご自身のモデルアーキテクチャをUltralyticsに貢献することに興味がある場合は、Contributing Guideをご覧ください。
主要モデル#
新しいプロジェクトには YOLO26 から始めてください。これは最新の Ultralytics リリースであり、7 つのタスクすべてをカバーする唯一のモデルです。YOLO11 は成熟した代替モデルであり、5 つの各タスクに対応する事前学習済みチェックポイントを備えています。プロンプト指定可能なセグメンテーション (SAM 3)、オープンボキャブラリ検出 (YOLOE、YOLO-World)、またはトランスフォーマー検出器 (RT-DETR) が必要な場合にのみ、特化したファミリーを選択してください。
この表には、ドキュメント化されているすべてのモデルと、それらがカバーするタスク、Ultralytics がサポートする train、val、predict、export モード、およびそれらを選択するタイミングがリストされています。Track は個別にリストされていません。Detect、Segment、Pose、OBB モデルの predict の上で実行されますが、SAM 2 および SAM 3 は独自のビデオ予測機能を通じてトラッキングを行います。Benchmark もリストされていません。これはサポートを新たに追加するのではなく、フォーマット全体で export と val をラップするためです。
| モデル | タスク | モード | 次の場合に選択します |
|---|---|---|---|
| YOLO26 🚀 NEW | Detect、Segment、Semantic、Depth、Classify、Pose、OBB | Train、Val、Predict、Export | 新しいプロジェクト：エンドツーエンドの NMS なし推論、エッジ最適化されたデプロイ、および最も幅広いタスクカバレッジ |
| 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。事前学習済みウェイトは検出のみをカバーします |
| YOLO11 | Detect、Segment、Classify、Pose、OBB | Train、Val、Predict、Export | 安定した本番ワークロード。サポートするすべてのタスクの事前学習済みチェックポイントが含まれます |
| YOLOv10 | Detect（検出） | 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 | プログラマブル勾配情報 (PGI)。Ultralytics の YOLOv5 コードベースに実装されています |
| YOLOv8 | Detect、Segment、Classify、Pose、OBB | Train、Val、Predict、Export | 既存の YOLOv8 パイプラインおよび確立されたサードパーティの統合 |
| YOLOv7 | Detect（検出） | 予測 | アップストリームでトレーニングされた YOLOv7 エクスポートの実行：このパッケージは、ネイティブチェックポイントからではなく、互換性のある ONNX または TensorRT モデルから予測を行います |
| YOLOv6 | Detect（検出） | Train、Val、Predict、Export | Meituan のアーキテクチャを YAML からトレーニングする。Ultralytics は YOLOv6 .pt チェックポイントをホストしていません |
| YOLOv5 | Detect（検出） | Train、Val、Predict、Export | レガシーの Ultralytics プロジェクト。現在のリリースでは更新された YOLOv5u チェックポイントがロードされます |
| YOLOv4 | なし | なし | アーキテクチャの参考情報のみ：Alexey Bochkovskiy 氏の Darknet ネイティブモデルはこのパッケージではサポートされていません |
| YOLOv3 | Detect（検出） | Train、Val、Predict、Export | Joseph Redmon 氏の元のアーキテクチャに基づくレガシープロジェクト。現在のリリースでは更新された YOLOv3u チェックポイントがロードされます |
| SAM 3 🚀 NEW | Segment（セグメンテーション） | 予測 | テキストまたは画像の例示から、画像およびビデオ内の Meta のプロンプト指定可能なコンセプトセグメンテーション。sam3.pt には Hugging Face でのアクセス承認が必要です |
| SAM 2 | Segment（セグメンテーション） | 予測 | ビデオフレーム間でオブジェクトを追跡する、Meta のプロンプト指定可能なセグメンテーション |
| SAM | Segment（セグメンテーション） | 予測 | 自動アノテーションを含む、Meta の元のプロンプト指定可能なセグメンテーション |
| MobileSAM | Segment（セグメンテーション） | 予測 | モバイルおよびその他のリソースが制限されたデバイスにおけるプロンプト指定可能なセグメンテーション（慶熙大学） |
| FastSAM | Segment（セグメンテーション） | Val、Predict、Export | SAM のレイテンシがボトルネックとなる場合の、CNN ベースのプロンプト指定可能なセグメンテーション（中国科学院） |
| YOLO-NAS | Detect（検出） | Val、Predict、Export | Deci の NAS に最適化された検出器。推論とエクスポートのために保持されています。NVIDIA による買収後、Deci はこれらを維持していません |
| RT-DETR | Detect（検出） | Train、Val、Predict、Export | Baidu のリアルタイム DETR 検出器：ハイブリッドなトランスフォーマーエンコーダーを備えた畳み込みバックボーン |
| YOLO-World | Detect（検出） | Train、Val、Predict、Export | テキストプロンプトからのオープンボキャブラリ検出（Tencent AI Lab）。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、ビジュアル、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の検出とセグメンテーション |
Watch: Run Ultralytics YOLO models in just a few lines of code.
はじめに：使用例#
この例では、シンプルなYOLOのトレーニングと推論の例を示しています。これらおよびその他のmodesに関する完全なドキュメントについては、Predict、Train、Val、Exportのドキュメントページをご覧ください。
以下の例では、オブジェクト検出用の YOLO26 Detect モデルに焦点を当てていますので注意してください。サポートされているその他のタスクについては、Segment、Semantic、Depth、Classify、Pose、および OBB のドキュメントを参照してください。
PyTorchの事前学習済み*.ptモデルおよび設定*.yamlファイルをYOLO()、SAM()、NAS()、RTDETR()クラスに渡して、Pythonでモデルインスタンスを作成できます：
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")新しいモデルの貢献#
Ultralyticsへのモデルの貢献にご興味がありますか？素晴らしいことです！当社は常にモデルポートフォリオの拡大を歓迎しています。
-
リポジトリのフォーク：まず、Ultralytics GitHub repositoryをフォークします。
-
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てください。
-
モデルの実装：Contributing Guide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。
-
徹底的にテストする: モデルを単体でテストし、パイプラインの一部としてもテストして、厳格な検証を行ってください。
-
プルリクエストを作成する: モデルの準備が整ったら、メインリポジトリに対してプルリクエストを作成し、レビューを依頼してください。
-
コードレビューとマージ: レビューの結果、当社の基準を満たしている場合は、メインリポジトリにマージされます。
詳細な手順については、Contributing Guideを参照してください。
よくある質問 (FAQ)#
最新のUltralytics YOLOモデルは、2026年1月にリリースされたYOLO26です。YOLO26はエンドツーエンドのNMSフリー推論、最適化されたエッジデプロイメントを備え、検出、インスタンスセグメンテーション、semantic segmentation、depth estimation、分類、姿勢推定、OBB、およびオープボキャブラリーバージョンをサポートしています。安定した本番ワークロードには、YOLO26とYOLO11の両方が推奨されます。
カスタムデータを用いたYOLOモデルのトレーニングは、Ultralyticsのライブラリを使用して簡単に実行できます。以下に簡単な例を示します：
例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)より詳細な手順については、Train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、および SAM ファミリー（SAM 3、SAM 2、SAM、MobileSAM、FastSAM）、YOLO-NAS、RT-DETR、YOLO-World、YOLOE をネイティブにサポートしています。このパッケージは、YOLOv4 または YOLOv7 のウェイトや YAML を公開していません。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 はエクスポートされた ONNX または TensorRT モデルとして実行されます。それぞれで使用可能なタスクとモードについては、Featured Models を参照してください。
Ultralytics Platformは、YOLOモデルのトレーニング、デプロイ、管理の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を提供します。複雑なワークフローを簡素化し、ユーザーが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るようにします。また、cloud training capabilities、包括的なデータセット管理、初心者と経験豊富な開発者の両方に使いやすいインターフェースを提供します。
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、semantic segmentation、depth estimation、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つのタスクすべてに加えてオープボキャブラリー検出をサポートしています。特定のタスクの詳細については、Task pagesを参照してください。