Ultralytics에서 지원하는 모델#
Ultralytics 모델 문서에 오신 것을 환영합니다! Ultralytics는 객체 탐지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 이미지 분류, 포즈 추정, 방향성 바운딩 박스와 같은 특정 작업에 맞춰진 다양한 모델을 지원합니다. 모델 아키텍처를 Ultralytics에 기여하려면 기여 가이드를 확인해 보세요.
주요 모델#
새 프로젝트는 YOLO26으로 시작합니다. YOLO26은 최신 Ultralytics 릴리스이며 7개 작업을 모두 지원하는 유일한 모델입니다. YOLO11은 안정화된 대안으로, 5개 작업 각각에 대해 사전 학습된 체크포인트를 제공합니다. 프롬프트 기반 세그멘테이션(SAM 3), 개방형 어휘 객체 탐지(YOLOE, YOLO-World) 또는 Transformer 기반 검출기(RT-DETR)가 필요한 경우에만 특화된 모델 제품군을 선택합니다.
YOLO27은(는) 올해 말 출시를 목표로 최종 연구 개발을 거치고 있으며, 구체적인 출시일은 정해지지 않았습니다. 아키텍처, 예정된 7가지 태스크, 그리고 사전 벤치마크를 미리 살펴보세요. 모델 가중치와 패키지 지원은 아직 제공되지 않으므로, 현재 프로젝트에는 YOLO26을 사용하시기 바랍니다.
이 표에는 출시된 모델과 아키텍처 레퍼런스가 태스크, 지원되는 학습, 검증, 예측 및 내보내기 모드, 그리고 권장 사용 사례와 함께 나열되어 있습니다. 추적은 별도로 나열되지 않습니다. 이는 Detect, Segment, Pose, OBB 모델의 예측 위에서 실행되며, SAM 2와 SAM 3은 자체 비디오 예측기를 통해 추적합니다. 벤치마크 역시 자체적인 지원을 추가하기보다는 다양한 포맷에 걸쳐 내보내기와 검증을 래핑하므로 나열되지 않습니다.
| 모델 | 작업 | 모드 | 다음 용도에 선택 |
|---|---|---|---|
| YOLO26 🚀 NEW | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | 신규 프로젝트: 선택적 NMS 비적용(NMS-free) 추론, 엣지 최적화 배포, 그리고 가장 광범위한 태스크 지원 |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | 어텐션 중심의 커뮤니티 릴리스를 벤치마킹할 때 사용합니다. 사전 학습된 가중치는 탐지만 지원합니다. |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | 지원하는 모든 작업에 대해 사전 학습된 체크포인트를 제공하는 안정적인 프로덕션 워크로드 |
| YOLOv10 | Detect | Train, Val, Predict, Export | 칭화대학교의 NMS-free 탐지 연구 |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | Ultralytics YOLOv5 코드베이스에 구현된 PGI(프로그래밍 가능한 그래디언트 정보) |
| YOLOv8 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | 기존 YOLOv8 파이프라인 및 검증된 서드파티 통합 |
| YOLOv7 | Detect | Prediction | 업스트림에서 학습된 YOLOv7 export 실행: 이 패키지는 호환 가능한 ONNX 또는 TensorRT 모델에서 예측하며, 네이티브 체크포인트에서는 예측하지 않습니다. |
| YOLOv6 | Detect | Train, Val, Predict, Export | YAML에서 Meituan의 아키텍처를 학습합니다. Ultralytics는 YOLOv6 .pt 체크포인트를 호스팅하지 않습니다. |
| YOLOv5 | Detect | Train, Val, Predict, Export | 레거시 Ultralytics 프로젝트. 현재 릴리스는 업데이트된 YOLOv5u 체크포인트를 로드합니다. |
| YOLOv4 | 없음 | 없음 | 아키텍처 참조 전용: Alexey Bochkovskiy의 Darknet 네이티브 모델은 패키지에서 지원되지 않습니다. |
| YOLOv3 | Detect | Train, Val, Predict, Export | Joseph Redmon의 원래 아키텍처를 사용하는 레거시 프로젝트. 현재 릴리스는 업데이트된 YOLOv3u 체크포인트를 로드합니다. |
| SAM 3 🚀 NEW | Segment | Prediction | 텍스트 또는 이미지 예시를 기반으로 이미지와 비디오에서 Meta의 프롬프트 기반 개념 분할을 수행하며, sam3.pt 및 SAM 3.1 sam3.1_multiplex.pt(이미지)은 Hugging Face에서 접근 승인이 필요합니다. |
| SAM 2 | Segment | Prediction | 비디오 프레임 전체에서 객체를 추적하는 Meta의 프롬프트 가능한 세그멘테이션 |
| SAM | Segment | Prediction | 자동 어노테이션을 포함하는 Meta의 최초 프롬프트 가능한 세그멘테이션 |
| MobileSAM | Segment | Prediction | 모바일 및 기타 리소스가 제한된 디바이스에서 사용하는 프롬프트 가능한 세그멘테이션(경희대학교) |
| FastSAM | Segment | Val, Predict, Export | SAM의 레이턴시가 병목일 때 사용하는 CNN 기반 프롬프트 가능한 세그멘테이션(중국과학원) |
| YOLO-NAS | Detect | Val, Predict, Export | 추론 및 export를 위해 유지되는 Deci의 NAS 최적화 탐지기입니다. NVIDIA 인수 후 Deci는 더 이상 이를 유지 관리하지 않습니다. |
| RT-DETR | Detect | Train, Val, Predict, Export | Baidu의 실시간 DETR 탐지기: 하이브리드 Transformer 인코더를 사용하는 컨볼루션 백본 |
| YOLO-World | Detect | Train, Val, Predict, Export | 텍스트 프롬프트를 사용한 오픈 보캐뷸러리 탐지(Tencent AI Lab). export에는 -worldv2 체크포인트가 필요합니다. |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | 텍스트, 시각적 프롬프트 또는 프롬프트 없는 추론을 지원하는 오픈 보캐뷸러리 탐지 및 세그멘테이션 |
Ultralytics는 텍스트 및 이미지 이해를 위해 대규모 언어 모델과 비전 모델에 사용할 수 있는 OpenAI 호환 인터페이스인 LLM도 제공합니다. 자체 작업이나 모드는 없으므로 위 표에는 포함되지 않지만, 모든 YOLO 파이프라인과 함께 사용할 수 있으며 OpenAI 및 기타 클라우드 제공업체 또는 완전한 로컬 온프레미스 서버에서 실행됩니다.
Watch: Run Ultralytics YOLO models in just a few lines of code.
시작하기: 사용 예제#
이 예제에서는 간단한 YOLO 학습 및 추론 예제를 제공합니다. 이러한 모드와 다른 모드에 대한 전체 문서는 Predict, Train, Val 및 Export 문서 페이지를 참조하세요.
아래 예제에서는 YOLO26 Detect 모델을 사용한 객체 탐지를 중점적으로 다룹니다. 추가로 지원되는 작업은 Segment, Semantic, Depth, Classify, Pose 및 OBB 문서를 참조하세요.
PyTorch 사전 학습 *.pt 모델과 구성 *.yaml 파일을 YOLO(), SAM(), NAS() 및 RTDETR() 클래스에 전달하여 Python에서 모델 인스턴스를 생성할 수 있습니다.
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")새 모델 기여#
Ultralytics에 모델을 기여하고 싶으신가요? 좋습니다! Ultralytics는 언제나 모델 포트폴리오를 확장할 준비가 되어 있습니다.
-
저장소 Fork: 먼저 Ultralytics GitHub 저장소를 fork하세요.
-
Fork 복제: fork한 저장소를 로컬 머신에 clone하고 작업할 새 브랜치를 생성하세요.
-
모델 구현: 기여 가이드에 제공된 코딩 표준과 지침에 따라 모델을 추가하세요.
-
철저한 테스트: 모델을 독립적으로 그리고 파이프라인의 일부로서 엄격하게 테스트해야 합니다.
-
Pull Request 생성: 모델이 만족스러우면 검토를 위해 메인 저장소에 pull request를 생성하세요.
-
코드 검토 및 병합: 검토 후 모델이 기준을 충족하면 메인 저장소에 병합됩니다.
자세한 단계는 기여 가이드를 참조하세요.
FAQ#
최신 출시된 Ultralytics YOLO 모델은 2026년 1장에 출시된 YOLO26입니다. YOLO26은 선택적 NMS 프리 엔드투엔드 추론, 최적화된 엣지 배포를 특징으로 하며, 객체 검출, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 분류, 포즈 추정, OBB 및 개방형 어휘 버전을 지원합니다. 안정적인 프로덕션 워크로드의 경우 YOLO26과 YOLO11 모두 권장되는 선택지입니다.
YOLO27은(는) 향후 출시될 패밀리 모델로, 현재 최종 연구 개발 단계에 있습니다. 아직 사용할 수 없으며 구체적인 출시일은 정해지지 않았습니다.
사용자 지정 데이터로 YOLO 모델을 학습하는 작업은 Ultralytics 라이브러리를 사용하면 쉽게 수행할 수 있습니다. 간단한 예제는 다음과 같습니다.
예시from 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)더 자세한 지침은 Train 문서 페이지를 참조하세요.
Ultralytics는 YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 및 YOLO26을 비롯해 SAM 제품군(SAM 3, SAM 2, SAM, MobileSAM 및 FastSAM), YOLO-NAS, RT-DETR, YOLO-World 및 YOLOE를 기본적으로 지원합니다. 패키지는 YOLOv4 또는 YOLOv7용 가중치나 YAML을 게시하지 않습니다. YOLOv4는 아키텍처 참조 전용으로 문서화되어 있으며, YOLOv7은 export된 ONNX 또는 TensorRT 모델로 실행됩니다. 각 모델에서 사용 가능한 작업과 모드는 주요 모델을 참조하세요.
Ultralytics Platform은 YOLO 모델의 학습, 배포 및 관리를 위한 노코드 엔드투엔드 플랫폼을 제공합니다. 복잡한 워크플로를 간소화하여 사용자가 모델 성능과 애플리케이션에 집중할 수 있도록 합니다. 또한 클라우드 학습 기능, 종합적인 데이터셋 관리, 초보자와 숙련된 개발자 모두를 위한 사용자 친화적인 인터페이스를 제공합니다.
Ultralytics YOLO 모델은 다양한 용도로 사용할 수 있으며 객체 탐지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 분류, 포즈 추정 및 방향성 객체 탐지(OBB) 등의 작업을 수행할 수 있습니다. 최신 모델인 YOLO26은 7가지 작업과 오픈 보캐뷸러리 탐지를 모두 지원합니다. 특정 작업에 대한 자세한 내용은 작업 페이지를 참조하세요.