中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Документация Ultralytics YOLO#
Ultralytics YOLO — семейство моделей компьютерного зрения для работы в реальном времени: 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 глубокого обучения и компьютерного зрения; модель поддерживает опциональный сквозной инференс без NMS и оптимизирована для развертывания на периферийных устройствах. Благодаря лаконичной архитектуре она подходит для разных задач и легко адаптируется к различным аппаратным платформам — от периферийных устройств до облачных API. Для стабильной работы в продакшене рекомендуем YOLO26 и YOLO11.
Изучи документацию Ultralytics — подробный ресурс о пакете YOLO и CLI, а также об Ultralytics Platform, которая дополняет те же модели инструментами разметки данных, облачного обучения и развертывания. Эти материалы помогут тебе максимально эффективно использовать YOLO в своих проектах — независимо от того, давно ли ты занимаешься машинным обучением или только начинаешь.
Запроси корпоративную лицензию для коммерческого использования на странице лицензирования Ultralytics.
Изучи предварительную версию YOLO27: в ней представлены сведения об архитектуре, предварительные результаты тестов и примеры использования после релиза. Сейчас модели проходят заключительный этап исследований и разработок; их запуск ожидается позднее в этом году. Пока модели недоступны, дата запуска не назначена.
Преобразуй одно фото 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 скачиваются автоматически, а размеченный результат сохраняется в каталог, путь к которому выводит команда. При первом запуске это runs/detect/predict.
Ознакомься с руководством «Быстрый старт»: в нём описаны все способы установки и выполнение первого предсказания.
Что ты хочешь сделать?#
Дообучи предварительно обученную модель YOLO26 на собственном наборе данных, настроив аугментацию 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 ID 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 оповещения и отслеживание тренировок — обучение не требуется
Экспортируй обученные модели в ONNX, TensorRT или OpenVINO, чтобы ускорить инференс на периферийных устройствах, мобильном оборудовании и облачных серверах
Сравни YOLO26, YOLO11, SAM 3, RT-DETR и все остальные поддерживаемые архитектуры по скорости, точности и области применения
Ищи классы, функции и сигнатуры методов Python API, которые автоматически генерируются из исходного кода при каждом новом релизе
Последнее семейство моделей Ultralytics поддерживает опциональный сквозной инференс без NMS и обеспечивает более удачный баланс точности и задержки по сравнению с YOLO11
Как устроена эта документация#
Большинство команд yolo для работы с моделями соответствует одной грамматике — yolo [TASK] MODE ARGS, где Task указывать необязательно. Документация организована вокруг тех же трёх частей и одного упрощённого варианта:
- Задача отвечает на вопрос, что нужно получить на изображении: обнаружение, сегментация экземпляров, семантическая сегментация, оценка глубины, классификация, оценка позы или ориентированные рамки.
- Режим отвечает на вопрос, как использовать модель: обучать, проверять, выполнять предсказание, экспортировать, отслеживать или тестировать производительность.
- Аргументы задают параметры команды: от выбора модели для запуска с
model=до гиперпараметров, таких какepochsиimgsz. - Решения — это упрощённый вариант: готовое приложение, например для подсчёта объектов или подачи охранных сигналов, в котором вообще не нужно выбирать задачу и режим.
Все остальные разделы дополняют эту структуру: в разделе «Модели» перечислены все архитектуры, которые можно указать в model=: YOLO26, YOLO11, SAM 3, RT-DETR и другие; раздел «Наборы данных» содержит данные для обучения каждой задачи; раздел «Руководства» объединяет подробные инструкции по развертыванию на оборудовании, настройке гиперпараметров, преобразованию наборов данных и работе над проектами от начала до конца; раздел «Интеграции» связывает конвейер с уже используемыми тобой инструментами обучения и развертывания; в разделе «Справочник» описаны все классы и функции Python API.
Помимо пакета Python, на тех же моделях работают ещё два продукта: Ultralytics Platform для облачной разметки, обучения и развертывания, а также Ultralytics Inference — отдельная библиотека и CLI на Rust для запуска экспортированных моделей без среды выполнения Python.
Лицензии YOLO: какая лицензия действует для Ultralytics YOLO?#
Ultralytics предлагает два варианта лицензирования для разных сценариев использования:
- Лицензия AGPL-3.0: эта одобренная OSI лицензия с открытым исходным кодом отлично подходит студентам и энтузиастам и способствует открытому сотрудничеству и обмену знаниями. Подробности смотри в файле LICENSE.
- Корпоративная лицензия: для разработки и использования в продакшене. Она позволяет без ограничений интегрировать программное обеспечение и модели ИИ Ultralytics в коммерческие продукты и сервисы, включая внутренние инструменты, автоматизированные процессы и промышленные развертывания, без выполнения требований лицензии AGPL-3.0 с открытым исходным кодом. Чтобы начать, свяжись с нами через страницу лицензирования Ultralytics.
Наша стратегия лицензирования помогает гарантировать, что любые улучшения проектов с открытым исходным кодом возвращаются сообществу. Мы верим в открытый исходный код и стремимся к тому, чтобы каждый мог использовать наши разработки и развивать их на благо всех.
Часто задаваемые вопросы#
Ultralytics YOLO — известное семейство моделей YOLO (ты смотришь только один раз) для обнаружения объектов и сегментации изображений в реальном времени. Последняя модель, YOLO26, развивает предыдущие версии благодаря опциональному сквозному инференсу без NMS и оптимизации для развертывания на периферийных устройствах. YOLO поддерживает различные задачи компьютерного зрения и ИИ, такие как обнаружение, сегментация экземпляров, семантическая сегментация, оценка глубины, классификация, оценка позы и обнаружение ориентированных ограничивающих рамок, а также может отслеживать обнаруженные объекты в кадрах видео. Эффективная архитектура обеспечивает высокую скорость и точность, поэтому модели подходят для разных задач, в том числе для использования на периферийных устройствах и через облачные API.
Начать работу с YOLO просто и быстро. Установи пакет Ultralytics из pip с помощью
pip install ultralytics, а затем выполни первое предсказание командойyolo predict model=yolo26n.pt— веса модели скачаются 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 состоит из нескольких подробных шагов:
- Подготовь размеченный набор данных и опиши его в YAML-файле набора данных.
- Загрузи предварительно обученную модель, например
YOLO("yolo26n.pt"), в Python. - Запусти обучение командой
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)или из командной строки командойyolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.
Подробное пошаговое руководство с примерами и советами по оптимизации обучения смотри в разделе «Обучение модели».
Для YOLO Ultralytics предлагает два варианта лицензирования:
- Лицензия AGPL-3.0: эта лицензия с открытым исходным кодом подходит для обучения и некоммерческого использования и способствует открытому сотрудничеству.
- Корпоративная лицензия: для разработки и использования в продакшене, включая внутренние инструменты, автоматизированные процессы и промышленные развертывания, без выполнения требований лицензии AGPL-3.0 с открытым исходным кодом.
Подробности смотри на странице «Лицензирование».
Ultralytics YOLO поддерживает эффективное и гибко настраиваемое отслеживание нескольких объектов. Вызови
YOLO("yolo26n.pt").track(source="path/to/video.mp4")в Python или запустиyolo track source=path/to/video.mp4из командной строки — обе команды работают с видеофайлами, прямыми трансляциями и изображением с веб-камеры. Подробное руководство по настройке и запуску отслеживания объектов, включая описание конфигурации и практического применения в сценариях реального времени, смотри в документации «Режим отслеживания».
