中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Документация Ultralytics YOLO#
Ultralytics YOLO — это семейство моделей компьютерного зрения для работы в реальном времени, предназначенных для обнаружения объектов, сегментации экземпляров, семантической сегментации, оценки глубины, классификации, оценки позы, обнаружения ориентированных ограничивающих рамок и отслеживания. Модели доступны через единый пакет Python и CLI. YOLO26 создана на основе достижений в области глубокого обучения и компьютерного зрения. Среди её особенностей — поддержка сквозного вывода без NMS и оптимизация для развёртывания на периферийных устройствах. Упрощённая архитектура подходит для различных приложений и легко адаптируется к разным аппаратным платформам — от периферийных устройств до облачных API. Для стабильных производственных нагрузок рекомендуем YOLO26 и YOLO11.
Изучи документацию Ultralytics — подробный ресурс о пакете YOLO и CLI, а также об Ultralytics Platform, которая дополняет те же модели аннотированием данных, облачным обучением и развёртыванием. Будь ты опытным специалистом по машинному обучению или только начинаешь знакомиться с этой областью, эти материалы помогут тебе максимально эффективно использовать YOLO в своих проектах.
Запроси корпоративную лицензию для коммерческого использования на странице лицензирования Ultralytics.
Изучи предварительный обзор YOLO27: в нём есть подробности об архитектуре, предварительные результаты тестирования и примеры использования после выпуска. Сейчас модели проходят заключительный этап НИОКР; запуск ожидается позднее в этом году, но модели пока недоступны и дата выпуска ещё не определена.
Преобразуй одну фотографию в карту глубины, где для каждого пикселя указано расстояние в метрах.
Начни работу с помощью двух команд#
# Install the ultralytics package from PyPI
pip install ultralytics
# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'Веса модели и пример изображения загружаются автоматически, а результат с аннотациями сохраняется в каталоге, путь к которому команда выводит при первом запуске: runs/detect/predict.
Все способы установки и создание первого предсказания описаны в руководстве Быстрый старт.
Что ты хочешь сделать?#
Дообучи предварительно обученную модель YOLO26 на собственном наборе данных, подбирая аугментации и гиперпараметры для обучения на нескольких GPU.
Загрузи предварительно обученную модель и получи ограничивающие рамки, маски или ключевые точки с помощью нескольких строк Python или одной команды CLI.
Отслеживай объекты с постоянными идентификаторами с помощью TrackTrack (по умолчанию), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT или FastTracker.
Готовые приложения для компьютерного зрения: подсчёт объектов, тепловые карты, управление очередями, охранные сигналы и анализ тренировок. Обучение не требуется.
Экспортируй обученные модели в ONNX, TensorRT или OpenVINO, чтобы ускорить вывод на периферийных устройствах, мобильном оборудовании и облачных серверах.
Сравни YOLO26, YOLO11, SAM 3, RT-DETR и другие поддерживаемые архитектуры по скорости, точности и области применения.
Ищи классы, функции и сигнатуры методов Python API, автоматически генерируемые из исходного кода при каждом новом выпуске.
Последнее выпущенное семейство моделей Ultralytics поддерживает сквозной вывод без NMS и обеспечивает улучшенный баланс точности и задержки по сравнению с YOLO11.
Как устроена документация#
Большинство команд yolo для работы с моделями следует единому шаблону yolo [TASK] MODE ARGS, где Task — необязательный параметр. Документация построена вокруг тех же трёх частей и одного упрощённого варианта:
- Задача определяет, что нужно получить из изображения: обнаружение, сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию, оценку позы или ориентированные рамки.
- Режим определяет, как использовать модель: обучить, проверить, выполнить предсказание, экспортировать, отслеживать или сравнить производительность.
- Аргументы настраивают команду: от выбора модели для запуска с помощью
model=до гиперпараметров, таких какepochsиimgsz. - Решения — это упрощённый вариант: готовое приложение, например для подсчёта объектов или охранных сигналов, которое полностью пропускает этапы Task и Mode.
Остальные разделы дополняют этот шаблон: в разделе Модели перечислены все архитектуры, которые можно передать в model=: YOLO26, YOLO11, SAM 3, RT-DETR и другие; раздел Наборы данных содержит данные для обучения каждой задачи; раздел Руководства — обширную подборку подробных инструкций по развёртыванию на оборудовании, настройке гиперпараметров, преобразованию наборов данных и выполнению проектов от начала до конца; раздел Интеграции связывает конвейер с инструментами обучения и развёртывания, которыми ты уже пользуешься; в разделе Справочник описаны все классы и функции Python API.
Помимо пакета Python, с теми же моделями работают ещё два продукта: Ultralytics Platform для облачного аннотирования, обучения и развёртывания и Ultralytics Inference — автономная библиотека Rust и CLI для запуска экспортированных моделей без среды выполнения Python.
Лицензии YOLO: какая лицензия распространяется на Ultralytics YOLO?#
Ultralytics предлагает два варианта лицензирования для разных сценариев использования:
- Лицензия AGPL-3.0: эта лицензия с открытым исходным кодом, одобренная OSI, отлично подходит студентам и энтузиастам и способствует открытому сотрудничеству и обмену знаниями. Подробности смотри в файле LICENSE.
- Корпоративная лицензия: эта лицензия для разработки и эксплуатации позволяет легко интегрировать программное обеспечение и модели ИИ Ultralytics в коммерческие продукты и сервисы, в том числе во внутренние инструменты, автоматизированные рабочие процессы и производственные решения, без соблюдения требований открытого исходного кода AGPL-3.0. Чтобы начать работу, свяжись с нами через страницу лицензирования Ultralytics.
Наша стратегия лицензирования призвана обеспечить возврат всех улучшений наших проектов с открытым исходным кодом сообществу. Мы верим в открытый исходный код и стремимся к тому, чтобы наши разработки можно было использовать и развивать на благо всех.
Часто задаваемые вопросы#
Ultralytics YOLO — это известная серия YOLO («смотришь только один раз») для обнаружения объектов и сегментации изображений в реальном времени. Последняя модель, YOLO26, развивает предыдущие версии: она поддерживает сквозной вывод без NMS и оптимизирована для развёртывания на периферийных устройствах. YOLO поддерживает различные задачи компьютерного зрения и ИИ, например обнаружение, сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию, оценку позы и обнаружение ориентированных ограничивающих рамок, а также может отслеживать обнаруженные объекты в видеокадрах. Эффективная архитектура обеспечивает высокую скорость и точность, благодаря чему модель подходит для самых разных приложений, включая периферийные устройства и облачные API.
Начать работу с YOLO просто и быстро. Установи пакет Ultralytics из pip с помощью
pip install ultralytics, затем выполни первое предсказание командойyolo predict model=yolo26n.pt— веса модели загрузятся автоматически. Подробные инструкции по установке через conda, Docker и из исходного кода смотри на странице Быстрый старт.Обучение собственной модели YOLO на своём наборе данных включает несколько подробных этапов:
- Подготовь размеченный набор данных и опиши его в YAML-файле набора данных.
- Загрузи предварительно обученную модель, например
YOLO("yolo26n.pt"), в Python. - Начни обучение с помощью
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)или запустиyolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640из командной строки.
Подробное пошаговое руководство с примерами и советами по оптимизации процесса обучения смотри в разделе Обучение модели.
Для YOLO доступны два варианта лицензирования Ultralytics:
- Лицензия AGPL-3.0: эта лицензия с открытым исходным кодом отлично подходит для обучения и некоммерческого использования и способствует открытому сотрудничеству.
- Корпоративная лицензия: для разработки и эксплуатации, в том числе внутренних инструментов, автоматизированных рабочих процессов и производственных решений, без соблюдения требований открытого исходного кода AGPL-3.0.
Подробнее смотри на странице Лицензирование.
Ultralytics YOLO поддерживает эффективное настраиваемое отслеживание нескольких объектов. Вызови
YOLO("yolo26n.pt").track(source="path/to/video.mp4")в Python или выполниyolo track source=path/to/video.mp4из командной строки — обе команды работают с видеофайлами, потоковым видео и изображением с веб-камеры. Подробные инструкции по настройке и запуску отслеживания объектов смотри в документации Режим отслеживания: там описаны конфигурация и практическое применение в сценариях реального времени.
