Modelos compatíveis com Ultralytics#
Boas-vindas à documentação de modelos da Ultralytics! Oferecemos suporte a uma ampla variedade de modelos, cada um adaptado a tarefas específicas, como detecção de objetos, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas. Se você tiver interesse em contribuir com a arquitetura do seu modelo para a Ultralytics, consulte o nosso Guia de contribuição.
Modelos em destaque#
Comece com YOLO26 em um novo projeto: é a versão mais recente da Ultralytics e a única que abrange todas as sete tarefas. YOLO11 é a alternativa madura, com checkpoints pré-treinados para cada uma das cinco tarefas que oferece. Escolha uma família especializada apenas quando precisar de segmentação guiada por prompts (SAM 3), detecção de vocabulário aberto (YOLOE, YOLO-World) ou um detector Transformer (RT-DETR).
YOLO27 está na fase final de P&D para um lançamento previsto para o final deste ano, ainda sem data definida. Confira uma prévia da arquitetura, das sete tarefas planejadas e dos benchmarks preliminares. Os pesos do modelo e o suporte no pacote ainda não estão disponíveis; use YOLO26 nos projetos atuais.
A tabela lista modelos lançados e referências de arquitetura, com suas tarefas, os modos compatíveis de treinamento, validação, previsão e exportação e os casos de uso recomendados. Track não aparece separadamente: ele é executado sobre a previsão nos modelos Detect, Segment, Pose e OBB, enquanto SAM 2 e SAM 3 fazem o rastreamento por meio de seus próprios preditores de vídeo. Benchmark também não aparece, pois combina exportação e validação em vários formatos, em vez de adicionar suporte próprio.
| Modelo | Tarefas | Modos | Escolha este modelo para |
|---|---|---|---|
| YOLO26 🚀 NOVO | Detecção, segmentação, semântica, profundidade, classificação, pose, OBB | Treinamento, validação, previsão, exportação | Novos projetos: inferência opcional sem NMS, implantação otimizada para dispositivos de borda e a cobertura mais ampla de tarefas |
| YOLO12 | Detecção, segmentação, classificação, pose, OBB | Treinamento, validação, previsão, exportação | Benchmarking da versão comunitária focada em atenção; os pesos pré-treinados abrangem apenas a detecção |
| YOLO11 | Detecção, segmentação, classificação, pose, OBB | Treinamento, validação, previsão, exportação | Cargas de trabalho de produção estáveis, com checkpoints pré-treinados para todas as tarefas compatíveis |
| YOLOv10 | Detecção | Treinamento, validação, previsão, exportação | Pesquisa de detecção sem NMS da Universidade de Tsinghua |
| YOLOv9 | Detecção, segmentação | Treinamento, validação, previsão, exportação | Informações de gradiente programáveis (PGI), implementadas na base de código YOLOv5 da Ultralytics |
| YOLOv8 | Detecção, segmentação, classificação, pose, OBB | Treinamento, validação, previsão, exportação | Pipelines existentes de YOLOv8 e integrações de terceiros consolidadas |
| YOLOv7 | Detecção | Prever | Execução de uma exportação de YOLOv7 treinada no repositório original: o pacote faz previsões a partir de um modelo ONNX ou TensorRT compatível, nunca a partir do checkpoint nativo |
| YOLOv6 | Detecção | Treinamento, validação, previsão, exportação | Treinamento da arquitetura da Meituan a partir do YAML; a Ultralytics não hospeda checkpoints .pt de YOLOv6 |
| YOLOv5 | Detecção | Treinamento, validação, previsão, exportação | Projetos legados da Ultralytics; as versões atuais carregam os checkpoints YOLOv5u atualizados |
| YOLOv4 | Nenhum | Nenhum | Apenas referência de arquitetura: o modelo nativo do Darknet de Alexey Bochkovskiy não é compatível com o pacote |
| YOLOv3 | Detecção | Treinamento, validação, previsão, exportação | Projetos legados baseados na arquitetura original de Joseph Redmon; as versões atuais carregam os checkpoints YOLOv3u atualizados |
| SAM 3 🚀 NOVO | Segmentação | Prever | Segmentação de conceitos da Meta guiada por prompts em imagens e vídeos, a partir de exemplos de texto ou imagem; sam3.pt e sam3.1_multiplex.pt do SAM 3.1 (imagens) exigem aprovação de acesso no Hugging Face |
| SAM 2 | Segmentação | Prever | Segmentação da Meta guiada por prompts, com rastreamento de objetos entre quadros de vídeo |
| SAM | Segmentação | Prever | Segmentação original da Meta guiada por prompts, incluindo anotação automática |
| MobileSAM | Segmentação | Prever | Segmentação guiada por prompts em dispositivos móveis e outros dispositivos com recursos limitados (Universidade Kyung Hee) |
| FastSAM | Segmentação | Validação, previsão, exportação | Segmentação guiada por prompts baseada em CNN para quando a latência do SAM é o gargalo (Academia Chinesa de Ciências) |
| YOLO-NAS | Detecção | Validação, previsão, exportação | Detectores otimizados com NAS da Deci, mantidos para inferência e exportação; a Deci deixou de mantê-los após a aquisição pela NVIDIA |
| RT-DETR | Detecção | Treinamento, validação, previsão, exportação | Detector DETR em tempo real da Baidu: backbone convolucional com codificador Transformer híbrido |
| YOLO-World | Detecção | Treinamento, validação, previsão, exportação | Detecção de vocabulário aberto a partir de prompts de texto (Tencent AI Lab); a exportação exige os checkpoints -worldv2 |
| YOLOE | Detecção, segmentação | Treinamento, validação, previsão, exportação | Detecção e segmentação de vocabulário aberto com inferência baseada em texto, visual ou sem prompts |
A Ultralytics também oferece o LLM, uma interface compatível com OpenAI para modelos de linguagem e visão de grande porte, voltada à compreensão de texto e imagem. Ele não tem tarefas ou modos próprios, por isso não aparece na tabela acima, mas pode ser integrado a qualquer pipeline YOLO e executado com a OpenAI e outros provedores de nuvem ou em um servidor local totalmente sob seu controle.
Assista: Execute modelos Ultralytics YOLO com apenas algumas linhas de código.
Introdução: exemplos de uso#
Este exemplo apresenta exemplos simples de treinamento e inferência com YOLO. Para ver a documentação completa destes e de outros modos, consulte as páginas de documentação de Predict, Train, Val e Export.
Observe que o exemplo abaixo destaca modelos YOLO26 de detecção para detecção de objetos. Para ver outras tarefas compatíveis, consulte a documentação de Segment, Semantic, Depth, Classify, Pose e OBB.
Modelos pré-treinados de PyTorch *.pt, assim como arquivos de configuração *.yaml, podem ser passados às classes YOLO(), SAM(), NAS() e RTDETR() para criar uma instância de modelo em Python:
from ultralytics import YOLO
# Carregar um modelo YOLO26n pré-treinado com COCO
model = YOLO("yolo26n.pt")
# Exibir informações do modelo (opcional)
model.info()
# Treina o modelo no conjunto de dados de exemplo COCO8 durante 100 épocas
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Executar inferência com o modelo YOLO26n na imagem 'bus.jpg'
results = model("path/to/bus.jpg")Contribuir com novos modelos#
Tem interesse em contribuir com seu modelo para a Ultralytics? Ótimo! Estamos sempre abertos a ampliar nosso portfólio de modelos.
-
Faça um fork do repositório: Comece fazendo um fork do repositório da Ultralytics no GitHub.
-
Clone seu fork: Clone seu fork para o computador local e crie uma nova branch para trabalhar.
-
Implemente seu modelo: Adicione seu modelo seguindo os padrões e as diretrizes de código descritos no nosso Guia de contribuição.
-
Teste minuciosamente: Teste seu modelo rigorosamente, tanto de forma isolada quanto como parte do pipeline.
-
Crie um pull request: Quando estiver satisfeito com seu modelo, crie um pull request para o repositório principal para que ele seja revisado.
-
Revisão e integração do código: Após a revisão, se seu modelo atender aos nossos critérios, ele será integrado ao repositório principal.
Para ver as etapas detalhadas, consulte nosso Guia de contribuição.
Perguntas frequentes#
O modelo YOLO mais recente lançado pela Ultralytics é o YOLO26, lançado em janeiro de 2026. O YOLO26 oferece inferência ponta a ponta opcional sem NMS, implantação otimizada para dispositivos de borda e suporte a detecção, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação, estimativa de pose e OBB, além de versões de vocabulário aberto. Para cargas de trabalho de produção estáveis, YOLO26 e YOLO11 são opções recomendadas.
YOLO27 é a próxima família, atualmente na fase final de P&D. Ainda não está disponível e não tem data de lançamento definida.
É fácil treinar um modelo YOLO com dados personalizados usando as bibliotecas da Ultralytics. Veja um exemplo rápido:
Exemplofrom ultralytics import YOLO # Carregar um modelo YOLO model = YOLO("yolo26n.pt") # ou qualquer outro modelo YOLO # Treine o modelo com um conjunto de dados personalizado results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)Para ver instruções mais detalhadas, acesse a página da documentação de Train.
Ultralytics oferece suporte nativo a YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 e YOLO26, além da família SAM (SAM 3, SAM 2, SAM, MobileSAM e FastSAM), YOLO-NAS, RT-DETR, YOLO-World e YOLOE. O pacote não publica pesos nem arquivos YAML para YOLOv4 ou YOLOv7: YOLOv4 é documentado apenas como referência de arquitetura, enquanto YOLOv7 é executado como um modelo ONNX ou TensorRT exportado. Consulte Modelos em destaque para ver as tarefas e os modos disponíveis para cada modelo.
A Ultralytics Platform oferece uma plataforma completa, sem código, para treinar, implantar e gerenciar modelos YOLO. Ela simplifica fluxos de trabalho complexos, permitindo que você se concentre no desempenho do modelo e na aplicação. Também oferece recursos de treinamento na nuvem, gerenciamento abrangente de conjuntos de dados e interfaces fáceis de usar para iniciantes e desenvolvedores experientes.
Os modelos Ultralytics YOLO são versáteis e podem realizar tarefas como detecção de objetos, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação, estimativa de pose e detecção de objetos orientados (OBB). O modelo mais recente, YOLO26, oferece suporte a todas as sete tarefas, além da detecção com vocabulário aberto. Para saber mais sobre tarefas específicas, consulte as páginas de tarefas.