Модели, поддерживаемые Ultralytics#
Добро пожаловать в документацию по моделям Ultralytics! Мы поддерживаем широкий спектр моделей, каждая из которых предназначена для определённых задач, таких как обнаружение объектов, сегментация экземпляров, семантическая сегментация, оценка глубины, классификация изображений, оценка позы и ориентированные ограничивающие рамки. Если хочешь внести свою архитектуру модели в Ultralytics, загляни в наше руководство для участников.
Рекомендуемые модели#
Начни новый проект с YOLO26: это последний релиз Ultralytics, охватывающий все семь задач. YOLO11 — проверенная альтернатива с предварительно обученными контрольными точками для каждой из пяти поддерживаемых задач. Выбирай специализированное семейство, только если тебе нужна сегментация по запросам (SAM 3), обнаружение с открытым словарём (YOLOE, YOLO-World) или детектор на основе Transformer (RT-DETR).
YOLO27 проходит заключительный этап R&D; запуск ожидается позже в этом году, но точная дата пока не назначена. Ознакомься с архитектурой, семью запланированными задачами и предварительными результатами тестирования. Веса модели и поддержка в пакете пока недоступны; для текущих проектов используй YOLO26.
В таблице перечислены выпущенные модели и справочные материалы по архитектурам, их задачи, поддерживаемые режимы train, val, predict и export, а также рекомендуемые сценарии использования. Режим Track не указан отдельно: он работает поверх predict для моделей Detect, Segment, Pose и OBB, а SAM 2 и SAM 3 выполняют отслеживание с помощью собственных видеопредикторов. Режим Benchmark тоже не указан, поскольку он объединяет export и val для разных форматов, а не добавляет собственную поддержку.
| Модель | Задачи | Режимы | Для чего выбирать |
|---|---|---|---|
| YOLO26 🚀 НОВИНКА | Обнаружение, сегментация, семантическая сегментация, оценка глубины, классификация, оценка позы, OBB | Обучение, валидация, предсказание, экспорт | Новые проекты: опциональный инференс без NMS, развёртывание на периферийных устройствах и самый широкий набор задач |
| YOLO12 | Обнаружение, сегментация, классификация, оценка позы, OBB | Обучение, валидация, предсказание, экспорт | Тестирование ориентированного на attention релиза сообщества; предварительно обученные веса доступны только для обнаружения |
| YOLO11 | Обнаружение, сегментация, классификация, оценка позы, OBB | Обучение, валидация, предсказание, экспорт | Стабильные производственные сценарии с предварительно обученными контрольными точками для каждой поддерживаемой задачи |
| YOLOv10 | Обнаружение | Обучение, валидация, предсказание, экспорт | Исследования обнаружения без NMS от Университета Цинхуа |
| YOLOv9 | Обнаружение, сегментация | Обучение, валидация, предсказание, экспорт | Программируемая информация о градиентах (PGI), реализованная на кодовой базе Ultralytics YOLOv5 |
| YOLOv8 | Обнаружение, сегментация, классификация, оценка позы, OBB | Обучение, валидация, предсказание, экспорт | Существующие конвейеры YOLOv8 и проверенные сторонние интеграции |
| YOLOv7 | Обнаружение | Предсказание | Запуск экспорта YOLOv7, обученного в исходном проекте: пакет выполняет предсказания на совместимой модели ONNX или TensorRT, но не на исходной контрольной точке |
| YOLOv6 | Обнаружение | Обучение, валидация, предсказание, экспорт | Обучение архитектуры Meituan на основе её YAML; Ultralytics не размещает контрольные точки YOLOv6 .pt |
| YOLOv5 | Обнаружение | Обучение, валидация, предсказание, экспорт | Старые проекты Ultralytics; текущие релизы загружают обновлённые контрольные точки YOLOv5u |
| YOLOv4 | Нет | Нет | Только справочная информация об архитектуре: собственная модель Darknet от Alexey Bochkovskiy не поддерживается пакетом |
| YOLOv3 | Обнаружение | Обучение, валидация, предсказание, экспорт | Старые проекты на исходной архитектуре Joseph Redmon; текущие релизы загружают обновлённые контрольные точки YOLOv3u |
| SAM 3 🚀 НОВИНКА | Сегментация | Предсказание | Сегментация концептов по запросам от Meta для изображений и видео на основе текстовых или графических примеров; для доступа к sam3.pt и SAM 3.1 sam3.1_multiplex.pt (изображения) требуется одобрение на Hugging Face |
| SAM 2 | Сегментация | Предсказание | Сегментация по запросам от Meta с отслеживанием объектов между кадрами видео |
| SAM | Сегментация | Предсказание | Исходная сегментация по запросам от Meta, включая автоматическую разметку |
| MobileSAM | Сегментация | Предсказание | Сегментация по запросам на мобильных и других устройствах с ограниченными ресурсами (Университет Кёнхи) |
| FastSAM | Сегментация | Валидация, предсказание, экспорт | Сегментация по запросам на основе CNN для случаев, когда задержка SAM становится узким местом (Китайская академия наук) |
| YOLO-NAS | Обнаружение | Валидация, предсказание, экспорт | Детекторы NAS от Deci, оптимизированные с помощью NAS и сохранённые для инференса и экспорта; после приобретения NVIDIA компания Deci больше не поддерживает их |
| RT-DETR | Обнаружение | Обучение, валидация, предсказание, экспорт | Детектор DETR реального времени от Baidu: свёрточная основа и гибридный энкодер на основе Transformer |
| YOLO-World | Обнаружение | Обучение, валидация, предсказание, экспорт | Обнаружение с открытым словарём по текстовым запросам (Tencent AI Lab); для экспорта требуются контрольные точки -worldv2 |
| YOLOE | Обнаружение, сегментация | Обучение, валидация, предсказание, экспорт | Обнаружение с открытым словарём и сегментация с использованием текста, визуальных данных или инференса без запросов |
Ultralytics также включает LLM — совместимый с OpenAI интерфейс к большим языковым и визуальным моделям для понимания текста и изображений. У него нет собственных задач или режимов, поэтому в таблице выше он не указан, но его можно сочетать с любым конвейером YOLO и запускать через OpenAI и других облачных провайдеров либо на полностью локальном сервере.
Смотри: Запускай модели Ultralytics YOLO всего несколькими строками кода.
Начало работы: примеры использования#
В этом примере показаны простые примеры обучения и инференса YOLO. Полную документацию по этим и другим режимам смотри на страницах Predict, Train, Val и Export.
В приведённом ниже примере основное внимание уделено моделям YOLO26 Detect для обнаружения объектов. О других поддерживаемых задачах смотри в документации по Segment, Semantic, Depth, Classify, Pose и OBB.
Предварительно обученные модели *.pt для PyTorch, а также файлы конфигурации *.yaml можно передать классам YOLO(), SAM(), NAS() и RTDETR(), чтобы создать экземпляр модели в Python:
from ultralytics import YOLO
# Загрузить модель YOLO26n, предобученную на COCO
model = YOLO("yolo26n.pt")
# Показать информацию о модели (необязательно)
model.info()
# Обучить модель на демонстрационном наборе данных COCO8 в течение 100 эпох
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Выполнить инференс с моделью YOLO26n на изображении 'bus.jpg'
results = model("path/to/bus.jpg")Добавление новых моделей#
Хочешь внести свою модель в Ultralytics? Отлично! Мы всегда готовы расширять наш ассортимент моделей.
-
Форкни репозиторий: для начала создай форк репозитория Ultralytics на GitHub.
-
Клонируй свой форк: клонируй форк на свой компьютер и создай новую ветку для работы.
-
Реализуй свою модель: добавь модель, соблюдая стандарты и рекомендации по написанию кода из нашего руководства для участников.
-
Тщательно протестируй: обязательно тщательно проверь модель как отдельно, так и в составе конвейера.
-
Создай pull request: когда будешь доволен моделью, создай pull request в основной репозиторий для проверки.
-
Проверка и слияние кода: после проверки модель будет добавлена в основной репозиторий, если она соответствует нашим критериям.
Подробные инструкции смотри в нашем руководстве для участников.
Часто задаваемые вопросы#
Последняя выпущенная модель Ultralytics YOLO — YOLO26, выпущенная в январе 2026 года. YOLO26 поддерживает опциональный сквозной инференс без NMS, оптимизированное развёртывание на периферийных устройствах, а также обнаружение, сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию, оценку позы, OBB и версии с открытым словарём. Для стабильных производственных сценариев рекомендуем как YOLO26, так и YOLO11.
YOLO27 — следующее семейство моделей, которое сейчас проходит заключительный этап R&D. Модель пока недоступна, точная дата запуска не назначена.
Обучить модель YOLO на пользовательских данных можно легко с помощью библиотек Ultralytics. Вот краткий пример:
Примерfrom ultralytics import YOLO # Загрузить модель YOLO model = YOLO("yolo26n.pt") # или любую другую модель YOLO # Обучить модель на пользовательском датасете results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)Подробные инструкции смотри на странице документации Train.
Ultralytics изначально поддерживает YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 и YOLO26, а также семейство SAM (SAM 3, SAM 2, SAM, MobileSAM и FastSAM), YOLO-NAS, RT-DETR, YOLO-World и YOLOE. Пакет не публикует веса и YAML-файлы для YOLOv4 и YOLOv7: YOLOv4 описан только как справочная архитектура, а YOLOv7 запускается как экспортированная модель ONNX или TensorRT. Смотри раздел Избранные модели, чтобы узнать, какие задачи и режимы доступны для каждой модели.
Платформа Ultralytics предоставляет комплексное решение без кода для обучения, развертывания и управления моделями YOLO. Она упрощает сложные рабочие процессы, позволяя сосредоточиться на качестве модели и ее применении. Также платформа предлагает возможности облачного обучения, комплексное управление наборами данных и удобный интерфейс как для новичков, так и для опытных разработчиков.
Модели Ultralytics YOLO универсальны и могут выполнять различные задачи, включая обнаружение объектов, сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию, оценку позы и обнаружение объектов с произвольной ориентацией (OBB). Новейшая модель YOLO26 поддерживает все семь задач, а также обнаружение с открытым словарем. Подробную информацию о конкретных задачах смотри на страницах задач.