Modelos compatíveis com a Ultralytics#
Bem-vindo à documentação de modelos da Ultralytics! Oferecemos suporte para uma ampla variedade de modelos, cada um adaptado a tarefas específicas, como deteção de objetos, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas. Se tiver interesse em contribuir com a sua arquitetura de modelo para a Ultralytics, consulte o nosso Guia de Contribuição.
Modelos em destaque#
Comece com YOLO26 num 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 suas cinco tarefas. Escolha uma família especializada apenas quando precisar de segmentação orientável (SAM 3), deteção de vocabulário aberto (YOLOE, YOLO-World) ou um detetor baseado em Transformer (RT-DETR).
YOLO27 está passando por P&D final para um lançamento previsto para o final deste ano, sem uma data de lançamento definida. Visualize sua arquitetura, sete tarefas planejadas e benchmarks preliminares. Os pesos dos modelos e o suporte a pacotes ainda não estão disponíveis; usa o YOLO26 para projetos atuais.
A tabela lista os modelos lançados e as referências de arquitetura com suas tarefas, os modos train, val, predict e export suportados e os casos de uso recomendados. O modo Track não está listado separadamente: ele é executado sobre o predict para modelos de Detect, Segment, Pose e OBB, enquanto o SAM 2 e o SAM 3 rastreiam por meio de seus próprios preditores de vídeo. O modo Benchmark também não está listado, porque ele encapsula o export e o val em vários formatos em vez de adicionar suporte próprio.
| Modelo | Tarefas | Modos | Escolha-o para |
|---|---|---|---|
| YOLO26 🚀 NOVO | Deteção, Segmentação, Semântica, Profundidade, Classificação, Pose, OBB | Treino, Validação, Predição, Exportação | Novos projetos: inferência opcional sem NMS, implantação otimizada para borda e a mais ampla cobertura de tarefas |
| YOLO12 | Deteção, Segmentação, Classificação, Pose, OBB | Treino, Validação, Predição, Exportação | Avaliação comparativa da versão comunitária centrada em atenção; os pesos pré-treinados abrangem apenas a deteção |
| YOLO11 | Deteção, Segmentação, Classificação, Pose, OBB | Treino, Validação, Predição, Exportação | Cargas de trabalho de produção estáveis, com checkpoints pré-treinados para todas as tarefas compatíveis |
| YOLOv10 | Deteção | Treino, Validação, Predição, Exportação | Investigação de deteção sem NMS da Universidade de Tsinghua |
| YOLOv9 | Deteção, Segmentação | Treino, Validação, Predição, Exportação | Informação de Gradiente Programável (PGI), implementada na base de código YOLOv5 da Ultralytics |
| YOLOv8 | Deteção, Segmentação, Classificação, Pose, OBB | Treino, Validação, Predição, Exportação | Pipelines YOLOv8 existentes e integrações de terceiros consolidadas |
| YOLOv7 | Deteção | Previsão | Execução de uma exportação YOLOv7 treinada a montante: o pacote faz predições a partir de um modelo ONNX ou TensorRT compatível, nunca a partir do checkpoint nativo |
| YOLOv6 | Deteção | Treino, Validação, Predição, Exportação | Treino da arquitetura da Meituan a partir do seu YAML; a Ultralytics não disponibiliza checkpoints .pt do YOLOv6 |
| YOLOv5 | Deteção | Treino, Validação, Predição, 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 | Deteção | Treino, Validação, Predição, Exportação | Projetos legados baseados na arquitetura original de Joseph Redmon; as versões atuais carregam os checkpoints YOLOv3u atualizados |
| SAM 3 🚀 NOVO | Segmentação | Previsão | A segmentação de conceitos baseada em comandos da Meta em imagens e vídeos, a partir de texto ou exemplos de imagens; sam3.pt e SAM 3.1 sam3.1_multiplex.pt (imagens) exigem aprovação de acesso no Hugging Face |
| SAM 2 | Segmentação | Previsão | Segmentação orientável da Meta, acompanhando objetos entre frames de vídeo |
| SAM | Segmentação | Previsão | Segmentação orientável original da Meta, incluindo anotação automática |
| MobileSAM | Segmentação | Previsão | Segmentação orientável em dispositivos móveis e outros dispositivos com recursos limitados (Universidade Kyung Hee) |
| FastSAM | Segmentação | Validação, Predição, Exportação | Segmentação orientável baseada em CNN quando a latência do SAM é o fator limitante (Academia Chinesa de Ciências) |
| YOLO-NAS | Deteção | Validação, Predição, Exportação | Detetores otimizados por NAS da Deci, mantidos para inferência e exportação; a Deci deixou de os manter após a aquisição pela NVIDIA |
| RT-DETR | Deteção | Treino, Validação, Predição, Exportação | Detetor DETR em tempo real da Baidu: uma base convolucional com um codificador híbrido de Transformer |
| YOLO-World | Deteção | Treino, Validação, Predição, Exportação | Deteção de vocabulário aberto a partir de prompts de texto (Tencent AI Lab); a exportação requer os checkpoints -worldv2 |
| YOLOE | Deteção, Segmentação | Treino, Validação, Predição, Exportação | Deteção e segmentação de vocabulário aberto com inferência baseada em texto, visual ou sem prompts |
A Ultralytics também inclui o LLM, uma interface compatível com a OpenAI para modelos de linguagem e visão de grande escala, destinada à compreensão de texto e imagens. Não tem tarefas nem modos próprios, por isso não aparece na tabela acima, mas combina com qualquer pipeline YOLO e é executado com a OpenAI e outros fornecedores de cloud ou num servidor local totalmente on-premises.
Watch: Run Ultralytics YOLO models in just a few lines of code.
Primeiros passos: exemplos de utilização#
Este exemplo apresenta exemplos simples de treino e inferência YOLO. Para obter a documentação completa sobre estes e outros modos, consulte as páginas de documentação de Predict, Train, Val e Export.
O exemplo abaixo destaca os modelos YOLO26 de Detect para deteção de objetos. Para consultar outras tarefas compatíveis, veja a documentação de Segment, Semantic, Depth, Classify, Pose e OBB.
Os modelos *.pt pré-treinados em PyTorch, bem como os ficheiros 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
# 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")Contribuir com novos modelos#
Tem interesse em contribuir com o seu modelo para a Ultralytics? Excelente! Estamos sempre abertos a expandir o nosso portefólio de modelos.
-
Faça um fork do repositório: comece por fazer um fork do repositório da Ultralytics no GitHub.
-
Clone o seu fork: clone o seu fork para a sua máquina local e crie uma nova branch para trabalhar.
-
Implemente o seu modelo: adicione o seu modelo seguindo os padrões de código e as diretrizes indicados no nosso Guia de Contribuição.
-
Teste exaustivamente: certifique-se de testar rigorosamente o seu modelo, tanto isoladamente como integrado no pipeline.
-
Crie um Pull Request: quando estiver satisfeito com o seu modelo, crie um pull request para o repositório principal para revisão.
-
Revisão e integração do código: após a revisão, se o seu modelo cumprir os nossos critérios, será integrado no repositório principal.
Para obter instruções detalhadas, consulte o nosso Guia de Contribuição.
Perguntas frequentes#
O modelo YOLO mais recente lançado pela Ultralytics é o YOLO26, lançado em janeiro de 2026. O YOLO26 apresenta inferência ponta a ponta opcional sem NMS, implantação otimizada para borda e suporta 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, tanto o YOLO26 quanto o YOLO11 são escolhas recomendadas.
YOLO27 é a próxima família, atualmente em P&D final. Ele ainda não está disponível e não tem data de lançamento definida.
É fácil treinar um modelo YOLO com dados personalizados utilizando as bibliotecas da Ultralytics. Veja um exemplo rápido:
Exemplofrom 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)Para obter instruções mais detalhadas, visite a página de documentação de Train.
A Ultralytics é compatível nativamente com 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 YAMLs para YOLOv4 ou YOLOv7: YOLOv4 é documentado apenas como referência de arquitetura, enquanto YOLOv7 é executado como modelo ONNX ou TensorRT exportado. Consulte Modelos em destaque para ver as tarefas e os modos disponíveis para cada um.
A Ultralytics Platform disponibiliza uma plataforma completa, sem código, para treinar, implementar e gerir modelos YOLO. Simplifica fluxos de trabalho complexos, permitindo que os utilizadores se concentrem no desempenho do modelo e da aplicação. Também oferece capacidades de treino na cloud, gestão abrangente de conjuntos de dados e interfaces fáceis de utilizar, tanto para iniciantes como para programadores experientes.
Os modelos YOLO da Ultralytics são versáteis e podem executar tarefas como deteção de objetos, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação, estimativa de pose e deteção de objetos orientados (OBB). O modelo mais recente, YOLO26, é compatível com todas as sete tarefas, além da deteção de vocabulário aberto. Para obter detalhes sobre tarefas específicas, consulte as páginas de tarefas.