Modelos suportados pela Ultralytics#
Bem-vindo à documentação de modelos do Ultralytics! Oferecemos suporte a 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 oriented bounding boxes. Se tens interesse em contribuir com a tua arquitetura de modelo para o 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 |
A Ultralytics também inclui o LLM, uma interface compatível com a OpenAI para grandes modelos de linguagem e visão para compreensão de texto e imagem. Ele não possui tarefas ou modos próprios, portanto não está na tabela acima, mas combina com qualquer pipeline do YOLO e executa com a OpenAI e outros provedores de nuvem ou com um servidor local dedicado.
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#
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.
O treinamento de um modelo YOLO em dados personalizados pode ser facilmente realizado usando as bibliotecas da Ultralytics. Aqui está 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 instruções mais detalhadas, visita a página de documentação de Train.
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.
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.
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.