Модели, поддерживаемые Ultralytics

Добро пожаловать в документацию по моделям Ultralytics! Мы предлагаем поддержку широкого спектра моделей, каждая из которых адаптирована к конкретным задачам, таким как обнаружение объектов, сегментация экземпляров, классификация изображений, оценка позы и отслеживание нескольких объектов. Если вы заинтересованы в том, чтобы внести свой вклад в архитектуру моделей Ultralytics, ознакомьтесь с нашим Руководством для контрибьюторов.

Избранные модели

Вот некоторые из основных поддерживаемых моделей:

1. YOLOv3: Третья итерация семейства моделей YOLO, первоначально разработанная Джозефом Редмоном, известна своими эффективными возможностями обнаружения объектов в реальном времени.
2. YOLOv4: Обновление YOLOv3, изначально разработанное для darknet, выпущено Алексеем Бочковским в 2020 году.
3. YOLOv5: Улучшенная версия архитектуры YOLO от Ultralytics, предлагающая более выгодный компромисс между производительностью и скоростью по сравнению с предыдущими версиями.
4. YOLOv6: Выпущена Meituan в 2022 году и используется во многих автономных роботах-доставщиках компании.
5. YOLOv7: Обновленные модели YOLO, выпущенные в 2022 году авторами YOLOv4. Поддерживается только вывод.
6. YOLOv8: Универсальная модель, обладающая расширенными возможностями, такими как сегментация экземпляров, оценка позы/ключевых точек и классификация.
7. YOLOv9: Экспериментальная модель, обученная на кодовой базе Ultralytics YOLOv5, реализующая программируемую градиентную информацию (PGI).
8. YOLOv10: Разработана Университетом Цинхуа, отличается обучением без NMS и архитектурой, ориентированной на эффективность и точность, обеспечивая современную производительность и низкую задержку.
9. YOLO11: модели Ultralytics YOLO, обеспечивающие высокую производительность в различных задачах, включая detect, segment, оценку позы, track и классификацию.
10. YOLO26 🚀 НОВИНКА: новейшая модель YOLO следующего поколения от Ultralytics, оптимизированная для развертывания на периферийных устройствах с сквозным выводом без NMS.
11. Segment Anything Model (SAM): Оригинальная модель Segment Anything Model (SAM) от Meta.
12. Segment Anything Model 2 (SAM2): Следующее поколение Segment Anything Model от Meta для видео и изображений.
13. Segment Anything Model 3 (SAM3) 🚀 НОВИНКА: Модель Segment Anything третьего поколения от Meta с сегментацией концепций по подсказкам для сегментации на основе текстовых и образцовых изображений.
14. Mobile Segment Anything Model (MobileSAM): MobileSAM для мобильных приложений, разработана Университетом Кёнхи.
15. Fast Segment Anything Model (FastSAM): FastSAM от Image & Video Analysis Group, Института автоматизации, Китайской академии наук.
16. YOLO-NAS: YOLO Neural Architecture Search (NAS) Модели.
17. Real-Time Detection Transformers (RT-DETR): Модели PaddlePaddle для обнаружения трансформеров в реальном времени (RT-DETR) от Baidu.
18. YOLO-World: Модели обнаружения объектов с открытым словарем в реальном времени от Tencent AI Lab.
19. YOLOE: Улучшенный детектор объектов с открытым словарем, который сохраняет производительность YOLO в реальном времени, обнаруживая произвольные классы за пределами данных, на которых он был обучен.

Смотреть: Запускайте модели Ultralytics YOLO всего в несколько строк кода.

С чего начать: Примеры использования

В этом примере представлены простые примеры обучения и инференса YOLO. Полную документацию по этим и другим режимам смотрите на страницах документации Predict, Train, Val и Export.

Обратите внимание, что в приведенном ниже примере представлены модели YOLO11 Detect для обнаружения объектов. Дополнительные поддерживаемые задачи см. в документации Segment, Classify и Pose.

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")

# Load a COCO-pretrained YOLO26n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo26n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLO26n model and run inference on the 'bus.jpg' image
yolo predict model=yolo26n.pt source=path/to/bus.jpg

Добавление новых моделей

Заинтересованы в том, чтобы внести свою модель в Ultralytics? Отлично! Мы всегда открыты для расширения нашего портфеля моделей.

1. Сделайте форк репозитория: Начните с создания форка репозитория Ultralytics на GitHub.

2. Клонируйте свой форк: Клонируйте свой форк на локальную машину и создайте новую ветку для работы.

3. Реализуйте свою модель: Добавьте свою модель, следуя стандартам кодирования и рекомендациям, представленным в нашем Руководстве для контрибьюторов.

4. Тщательно протестируйте: Обязательно тщательно протестируйте свою модель как изолированно, так и в составе конвейера.

5. Создайте запрос на внесение изменений: Как только вы будете удовлетворены своей моделью, создайте запрос на внесение изменений в основной репозиторий для проверки.

6. Проверка кода и слияние: После проверки, если ваша модель соответствует нашим критериям, она будет объединена с основным репозиторием.

Для получения подробной информации обратитесь к нашему Руководству для контрибьюторов.

Часто задаваемые вопросы

Какая модель Ultralytics YOLO является последней?

Новейшая модель Ultralytics YOLO — это YOLO26, выпущенная в январе 2026 года. YOLO26 отличается сквозным выводом без NMS, оптимизированным развертыванием на периферийных устройствах и поддерживает все пять задач (detect, segment, классификация, оценка позы и obb), а также версии с открытым словарем. Для стабильных производственных нагрузок рекомендуются как YOLO26, так и YOLO11.

Как обучить модель YOLO на пользовательских данных?

Обучение модели YOLO на пользовательских данных можно легко выполнить с помощью библиотек Ultralytics. Вот краткий пример:

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)

yolo train model=yolo26n.pt data='custom_data.yaml' epochs=100 imgsz=640

Для получения более подробных инструкций посетите страницу документации Train.

Какие версии YOLO поддерживаются Ultralytics?

Ultralytics поддерживает широкий спектр версий YOLO (You Only Look Once) от YOLOv3 до YOLO11, а также такие модели, как YOLO-NAS, SAM и RT-DETR. Каждая версия оптимизирована для различных задач, таких как detect, segment и классификация. Для получения подробной информации о каждой модели обратитесь к документации «Модели, поддерживаемые Ultralytics».

Почему мне следует использовать платформу Ultralytics для проектов машинного обучения?

Платформа Ultralytics представляет собой комплексную платформу без кода для обучения, развертывания и управления моделями YOLO. Она упрощает сложные рабочие процессы, позволяя пользователям сосредоточиться на производительности модели и ее применении. HUB также предлагает возможности облачного обучения, комплексное управление наборами данных и удобные интерфейсы как для новичков, так и для опытных разработчиков.

Какие типы задач могут выполнять модели Ultralytics YOLO?

Модели Ultralytics YOLO универсальны и могут выполнять такие задачи, как detect объектов, segment экземпляров, классификация, оценка позы и detect ориентированных объектов (obb). Новейшая модель, YOLO26, поддерживает все пять задач, а также detect с открытым словарем. Подробности о конкретных задачах см. на страницах задач.

📅 Создано 2 лет назад ✏️ Обновлено 6 дней назад

Комментарии