Modelos suportados pela Ultralytics#
Bem-vindo à documentação de modelos da Ultralytics! Oferecemos suporte para uma ampla gama de modelos, cada um adaptado para tarefas específicas como object detection, instance segmentation, semantic segmentation, depth estimation, image classification, pose estimation e multi-object tracking. Se tens interesse em contribuir com a tua arquitetura de modelo para a Ultralytics, consulta o nosso Contributing Guide.
Modelos em Destaque#
Começa com YOLO26 para um novo projeto: é o lançamento mais recente da Ultralytics e o único que cobre todas as sete tarefas. YOLO11 é a alternativa madura, com pesos pré-treinados para cada uma das suas cinco tarefas. Escolhe uma família especializada apenas quando precisares de segmentação por comandos (SAM 3), deteção de vocabulário aberto (YOLOE, YOLO-World) ou de um detetor transformer (RT-DETR).
A tabela lista cada modelo documentado com as tarefas que abrange, quais dos modos train, val, predict and export a Ultralytics suporta para ele, e quando deves escolhê-lo. Track não é listado separadamente: funciona sobre o predict para modelos Detect, Segment, Pose e OBB, enquanto SAM 2 e SAM 3 fazem o rastreio através dos seus próprios preditores de vídeo. Benchmark também não é listado, porque encapsula export e val em vários formatos em vez de adicionar suporte próprio.
| Modelo | Tarefas | Modos | Escolhe para |
|---|---|---|---|
| YOLO26 🚀 NOVO | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Novos projetos: inferência ponta a ponta sem NMS, implementação otimizada para edge e a mais ampla cobertura de tarefas |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Avaliação da versão comunitária centrado na atenção; os pesos pré-treinados cobrem apenas a deteção |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Cargas de trabalho de produção estáveis, com pesos pré-treinados para todas as tarefas suportadas |
| YOLOv10 | Detectar | Train, Val, Predict, Export | Investigação de deteção sem NMS da Universidade Tsinghua |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | Programmable Gradient Information (PGI), implementado na base de código YOLOv5 da Ultralytics |
| YOLOv8 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Pipelines YOLOv8 existentes e integrações de terceiros estabelecidas |
| YOLOv7 | Detectar | Prever | Execução de uma exportação YOLOv7 treinada a montante: o pacote faz previsões a partir de um modelo ONNX ou TensorRT compatível, nunca a partir do peso nativo |
| YOLOv6 | Detectar | Train, Val, Predict, Export | Treino da arquitetura da Meituan a partir do seu YAML; a Ultralytics não aloja pesos YOLOv6 .pt |
| YOLOv5 | Detectar | Train, Val, Predict, Export | Projetos legados da Ultralytics; as versões atuais carregam os pesos atualizados do YOLOv5u |
| YOLOv4 | Nenhuma | Nenhuma | Apenas referência de arquitetura: o modelo nativo Darknet de Alexey Bochkovskiy não é suportado pelo pacote |
| YOLOv3 | Detectar | Train, Val, Predict, Export | Projetos legados na arquitetura original de Joseph Redmon; as versões atuais carregam os pesos atualizados do YOLOv3u |
| SAM 3 🚀 NOVO | Segmentar | Prever | Segmentação de conceitos por comandos da Meta em imagens e vídeos, a partir de texto ou exemplos de imagens; sam3.pt requer aprovação de acesso no Hugging Face |
| SAM 2 | Segmentar | Prever | Segmentação por comandos da Meta, rastreando objetos através de fotogramas de vídeo |
| SAM | Segmentar | Prever | Segmentação original por comandos da Meta, incluindo anotação automática |
| MobileSAM | Segmentar | Prever | Segmentação por comandos em dispositivos móveis e outros com recursos limitados (Universidade Kyung Hee) |
| FastSAM | Segmentar | Val, Predict, Export | Segmentação por comandos baseada em CNN quando a latência do SAM é o estrangulamento (Academia Chinesa de Ciências) |
| YOLO-NAS | Detectar | Val, Predict, Export | Detetores otimizados por NAS da Deci, mantidos para inferência e exportação; a Deci deixou de os manter após a aquisição pela NVIDIA |
| RT-DETR | Detectar | Train, Val, Predict, Export | Detetor DETR em tempo real da Baidu: uma espinha dorsal convolucional com um codificador transformer híbrido |
| YOLO-World | Detectar | Train, Val, Predict, Export | Deteção de vocabulário aberto a partir de comandos de texto (Tencent AI Lab); a exportação requer os pesos -worldv2 |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Deteção e segmentação de vocabulário aberto com inferência baseada em texto, visual ou sem comandos |
Watch: Run Ultralytics YOLO models in just a few lines of code.
Introdução: Exemplos de Uso#
Este exemplo fornece exemplos simples de treino e inferência YOLO. Para a documentação completa sobre estes e outros modes, consulta as páginas de documentação de Predict, Train, Val e Export.
Nota que o exemplo abaixo destaca os modelos YOLO26 Detect para object detection. Para tarefas adicionais suportadas, consulta a documentação de Segment, Semantic, Depth, Classify, Pose e OBB.
Modelos pré-treinados PyTorch *.pt, bem como ficheiros de configuração *.yaml, podem ser passados para as 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")Contribuindo com Novos Modelos#
Interessado em contribuir com o teu modelo para a Ultralytics? Ótimo! Estamos sempre abertos a expandir o nosso portfólio de modelos.
-
Faz um Fork do Repositório: Começa por fazer um fork do Ultralytics GitHub repository.
-
Clone o Seu Fork: Clone o seu fork para a tua máquina local e crie uma nova branch para trabalhar.
-
Implementa o teu Modelo: Adiciona o teu modelo seguindo os padrões de código e diretrizes fornecidos no nosso Contributing Guide.
-
Teste Exaustivamente: Certifique-se de testar o teu modelo rigorosamente, tanto isoladamente quanto como parte do pipeline.
-
Crie um Pull Request: Assim que estiver satisfeito com o teu modelo, crie um pull request para o repositório principal para revisão.
-
Revisão de Código e Mesclagem: Após a revisão, se o teu modelo atender aos nossos critérios, ele será mesclado no repositório principal.
Para passos detalhados, consulta o nosso Contributing Guide.
FAQ#
Qual é o modelo YOLO mais recente da Ultralytics?#
O modelo YOLO mais recente da Ultralytics é o YOLO26, lançado em janeiro de 2026. O YOLO26 inclui inferência ponta a ponta sem NMS, implementação otimizada em edge, e suporta deteção, segmentação de instâncias, semantic segmentation, depth estimation, 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.
Como posso treinar um modelo YOLO em dados personalizados?#
O treinamento de um modelo YOLO em dados personalizados pode ser facilmente realizado usando as bibliotecas da Ultralytics. Aqui está um exemplo rápido:
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)Para instruções mais detalhadas, visita a página de documentação de Train.
Quais versões YOLO são suportadas pela Ultralytics?#
A Ultralytics suporta nativamente YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 e YOLO26, juntamente com a família SAM (SAM 3, SAM 2, SAM, MobileSAM e FastSAM), YOLO-NAS, RT-DETR, YOLO-World e YOLOE. O pacote não publica pesos ou YAMLs para YOLOv4 ou YOLOv7: o YOLOv4 está documentado apenas como uma referência de arquitetura, enquanto o YOLOv7 é executado como um modelo ONNX ou TensorRT exportado. Consulta Featured Models para conhecer as tarefas e os modos disponíveis para cada um.
Porque deves usar a Ultralytics Platform para projetos de machine learning?#
Ultralytics Platform fornece uma plataforma sem código de ponta a ponta para treinar, implementar e gerir modelos YOLO. Simplifica fluxos de trabalho complexos, permitindo que os utilizadores se concentrem no desempenho e na aplicação do modelo. Também oferece capabilities de treino na cloud, gestão abrangente de datasets e interfaces fáceis de usar tanto para principiantes quanto para programadores experientes.
Que tipos de tarefas os modelos YOLO da Ultralytics podem realizar?#
Os modelos YOLO da Ultralytics são versáteis e podem executar tarefas incluindo deteção de objetos, segmentação de instâncias, semantic segmentation, depth estimation, classificação, estimativa de pose e deteção de objetos orientados (OBB). O modelo mais recente, YOLO26, suporta todas as sete tarefas mais a deteção de vocabulário aberto. Para detalhes sobre tarefas específicas, consulta as Task pages.