Ultralytics에서 지원하는 모델#
Ultralytics 모델 문서에 오신 것을 환영합니다! 당사는 object detection, instance segmentation, semantic segmentation, depth estimation, image classification, pose estimation, multi-object tracking과 같은 특정 작업에 맞춤화된 다양한 모델을 지원합니다. Ultralytics에 모델 아키텍처 기여에 관심이 있으시다면 Contributing Guide를 확인해 주세요.
주요 모델#
새 프로젝트에는 YOLO26을(를) 사용해 보세요. 최신 Ultralytics 릴리스이자 7가지 태스크 모두를 지원하는 유일한 모델입니다. YOLO11은(는) 5가지 태스크 각각에 대한 사전 학습된 체크포인트를 제공하는 안정적인 대안입니다. 프롬프트 기반 세그멘테이션(SAM 3), 오픈 어휘 감지(YOLOE, YOLO-World) 또는 트랜스포머 디텍터(RT-DETR)가 필요한 경우에만 특화된 패밀리를 선택하세요.
이 표에는 문서화된 모든 모델과 지원하는 태스크, Ultralytics가 해당 모델에 대해 지원하는 train, val, predict 및 export 모드, 그리고 선택해야 하는 시점이 나열되어 있습니다. Track은(는) 별도로 나열되지 않습니다. Detect, Segment, Pose 및 OBB 모델의 경우 predict 위에서 실행되며, SAM 2 및 SAM 3은 자체 비디오 예측기를 통해 트래킹합니다. Benchmark 역시 자체 지원을 추가하기보다는 다양한 포맷에 걸쳐 export와 val을 감싸기 때문에 나열되어 있지 않습니다.
| 모델 | 작업 | 모드 | 선택 목적 |
|---|---|---|---|
| YOLO26 🚀 NEW | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | 신규 프로젝트: 엔드투엔드 NMS 프리 추론, 엣지 최적화 배포, 그리고 가장 넓은 태스크 커버리지 |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | 어텐션 중심의 커뮤니티 릴리스 벤치마킹; 사전 학습된 가중치는 감지(detection)만 지원합니다 |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | 안정적인 프로덕션 워크로드, 지원하는 모든 태스크에 대한 사전 학습된 체크포인트 제공 |
| YOLOv10 | 탐지(Detect) | Train, Val, Predict, Export | 칭화대학교의 NMS 프리 감지 연구 |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | PGI(Programmable Gradient Information), Ultralytics YOLOv5 코드베이스에 구현됨 |
| YOLOv8 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | 기존 YOLOv8 파이프라인 및 확립된 서드파티 통합 |
| YOLOv7 | 탐지(Detect) | 추론(Predict) | 업스트림에서 학습된 YOLOv7 export 실행: 패키지는 네이티브 체크포인트가 아닌 호환되는 ONNX 또는 TensorRT 모델로부터 예측을 수행합니다 |
| YOLOv6 | 탐지(Detect) | Train, Val, Predict, Export | Meituan의 아키텍처를 YAML에서 학습; Ultralytics는 YOLOv6 .pt 체크포인트를 호스팅하지 않습니다 |
| YOLOv5 | 탐지(Detect) | Train, Val, Predict, Export | 레거시 Ultralytics 프로젝트; 현재 릴리스는 업데이트된 YOLOv5u 체크포인트를 로드합니다 |
| YOLOv4 | 없음 | 없음 | 아키텍처 참고용 전용: Alexey Bochkovskiy의 Darknet 네이티브 모델은 패키지에서 지원하지 않습니다 |
| YOLOv3 | 탐지(Detect) | Train, Val, Predict, Export | Joseph Redmon의 오리지널 아키텍처를 기반으로 하는 레거시 프로젝트; 현재 릴리스는 업데이트된 YOLOv3u 체크포인트를 로드합니다 |
| SAM 3 🚀 NEW | 세그멘테이션(Segment) | 추론(Predict) | 텍스트 또는 이미지 예시를 바탕으로 이미지와 비디오에서 Meta의 프롬프트 기반 개념 세그멘테이션 수행; sam3.pt은(는) Hugging Face에서 액세스 승인이 필요합니다 |
| SAM 2 | 세그멘테이션(Segment) | 추론(Predict) | 비디오 프레임 전반에 걸쳐 객체를 추적하는 Meta의 프롬프트 기반 세그멘테이션 |
| SAM | 세그멘테이션(Segment) | 추론(Predict) | 자동 주석(auto-annotation)을 포함한 Meta의 오리지널 프롬프트 기반 세그멘테이션 |
| MobileSAM | 세그멘테이션(Segment) | 추론(Predict) | 모바일 및 기타 리소스가 제한된 기기를 위한 프롬프트 기반 세그멘테이션(경희대학교) |
| FastSAM | 세그멘테이션(Segment) | Val, Predict, Export | SAM 레이턴시가 병목 현상이 될 때 사용하는 CNN 기반 프롬프트 세그멘테이션(중국과학원) |
| YOLO-NAS | 탐지(Detect) | Val, Predict, Export | Deci의 NAS 최적화 디텍터, 추론 및 export 용도로 유지됨; NVIDIA에 인수된 후 Deci는 이를 더 이상 유지 관리하지 않습니다 |
| RT-DETR | 탐지(Detect) | Train, Val, Predict, Export | 바이두(Baidu)의 실시간 DETR 디텍터: 하이브리드 transformer 인코더를 갖춘 컨볼루션 백본 |
| YOLO-World | 탐지(Detect) | Train, Val, Predict, Export | 텍스트 프롬프트를 이용한 오픈 어휘 감지(Tencent AI Lab); export하려면 -worldv2 체크포인트가 필요합니다 |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | 텍스트, 시각적 정보 또는 프롬프트 없는 추론을 통한 오픈 어휘 감지 및 세그멘테이션 |
Watch: Run Ultralytics YOLO models in just a few lines of code.
시작하기: 사용 예시#
이 예제는 간단한 YOLO 학습 및 추론 예제를 제공합니다. 이러한 modes 및 기타 모드에 대한 전체 문서는 Predict, Train, Val, Export 문서 페이지를 참조하세요.
아래 예시는 객체 감지를 위한 YOLO26 Detect 모델을 조명하고 있습니다. 추가로 지원되는 태스크는 Segment, Semantic, Depth, Classify, Pose 및 OBB 문서를 참조하세요.
PyTorch 사전 학습된 *.pt 모델과 설정 *.yaml 파일을 YOLO(), SAM(), NAS(), 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")새로운 모델 기여하기#
귀하의 모델을 Ultralytics에 기여하고 싶으신가요? 좋습니다! 당사는 언제나 모델 포트폴리오를 확장할 준비가 되어 있습니다.
-
저장소 포크하기: Ultralytics GitHub repository를 포크하여 시작하세요.
-
포크 복제(Clone): 포크한 저장소를 로컬 머신에 복제하고 작업을 수행할 새 브랜치를 생성하십시오.
-
모델 구현하기: Contributing Guide에 제공된 코딩 표준 및 지침에 따라 모델을 추가하세요.
-
철저한 테스트: 모델을 개별적으로 테스트하고 파이프라인의 일부로서도 엄격하게 테스트하십시오.
-
풀 리퀘스트(PR) 생성: 모델에 만족하시면 검토를 위해 메인 저장소에 풀 리퀘스트를 생성하십시오.
-
코드 검토 및 병합: 검토 후 모델이 당사 기준을 충족하면 메인 저장소에 병합됩니다.
자세한 단계는 Contributing Guide를 참조하세요.
FAQ#
최신 Ultralytics YOLO 모델은 2026년 1월에 출시된 YOLO26입니다. YOLO26은 엔드투엔드 NMS 없는 추론과 최적화된 엣지 배포를 지원하며, 검출, 인스턴스 분할, semantic segmentation, depth estimation, 분류, 포즈 추정, OBB 및 오픈 어휘 버전을 지원합니다. 안정적인 프로덕션 워크로드의 경우 YOLO26과 YOLO11 모두 권장되는 선택입니다.
사용자 지정 데이터로 YOLO 모델을 학습하는 것은 Ultralytics 라이브러리를 사용하여 쉽게 수행할 수 있습니다. 여기 간단한 예시가 있습니다:
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 지침을 보려면 Train 문서 페이지를 방문하세요.
Ultralytics는 YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12, YOLO26을 비롯해 SAM 패밀리(SAM 3, SAM 2, SAM, MobileSAM, FastSAM), YOLO-NAS, RT-DETR, YOLO-World, YOLOE를 네이티브로 지원합니다. 패키지는 YOLOv4 또는 YOLOv7에 대한 가중치나 YAML을 게시하지 않습니다. YOLOv4는 아키텍처 참고용으로만 문서화되어 있으며, YOLOv7은 내보낸 ONNX 또는 TensorRT 모델로 실행됩니다. 각 모델에서 사용 가능한 태스크와 모드는 추천 모델을 참조하세요.
Ultralytics Platform은 YOLO 모델의 학습, 배포, 관리를 위한 노코드 엔드투엔드 플랫폼을 제공합니다. 복잡한 워크로드를 단순화하여 사용자가 모델 성능과 애플리케이션에 집중할 수 있도록 합니다. 또한 cloud training capabilities, 포괄적인 데이터셋 관리, 초보자와 숙련된 개발자 모두를 위한 사용자 친화적인 인터페이스를 제공합니다.
Ultralytics YOLO 모델은 다목적이며 객체 검출, 인스턴스 분할, semantic segmentation, depth estimation, 분류, 포즈 추정, 회전 객체 검출(OBB) 등의 작업을 수행할 수 있습니다. 최신 모델인 YOLO26은 7가지 작업 모두와 오픈 어휘 검출을 지원합니다. 특정 작업에 대한 자세한 내용은 Task pages를 참조하세요.