Модели, поддерживаемые Ultralytics#
Добро пожаловать в документацию по моделям Ultralytics! Мы поддерживаем широкий спектр моделей, каждая из которых адаптирована под конкретные задачи, такие как детекция объектов, сегментация экземпляров, семантическая сегментация, оценка глубины, классификация изображений, оценка позы и трекинг множества объектов. Если ты хочешь предложить свою архитектуру модели для Ultralytics, ознакомься с нашим руководством по внесению вклада.
Популярные модели#
Начни с YOLO26 для нового проекта: это новейший релиз Ultralytics и единственный, охватывающий все семь задач. YOLO11 — это проверенная альтернатива с предобученными чекпоинтами для каждой из пяти задач. Выбирай специализированное семейство только тогда, когда тебе нужна сегментация по подсказкам (SAM 3), детекция с открытым словарем (YOLOE, YOLO-World) или детектор на основе трансформаторов (RT-DETR).
В таблице перечислена каждая документированная модель с указанием решаемых ею задач, поддерживаемых Ultralytics режимов (train, val, predict и export), а также рекомендаций по выбору. Режим Track не вынесен отдельно: он работает поверх predict для моделей Detect, Segment, Pose и OBB, в то время как SAM 2 и SAM 3 выполняют трекинг через собственные видеопредикторы. Режим Benchmark также не указан, поскольку он объединяет export и val по разным форматам, а не добавляет собственную поддержку.
| Модель | Задачи | Режимы | Выбирай ее для |
|---|---|---|---|
| YOLO26 🚀 NEW | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Новые проекты: сквозной инференс без NMS, развертывание с оптимизацией под Edge-устройства и самый широкий охват задач |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Бенчмаркинг ориентированного на механизмы внимания релиза от сообщества; предобученные веса охватывают только детекцию |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Стабильные рабочие процессы в продакшене с предобученными чекпоинтами для каждой поддерживаемой задачи |
| YOLOv10 | Обнаружение | Train, Val, Predict, Export | Исследования в области детекции без NMS из Университета Цинхуа |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | Программируемая информация о градиентах (PGI), реализованная на кодовой базе Ultralytics YOLOv5 |
| YOLOv8 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Существующие пайплайны YOLOv8 и устоявшиеся сторонние интеграции |
| YOLOv7 | Обнаружение | Предсказание | Запуск обученной выше по потоку модели YOLOv7: пакет выполняет предсказания на основе совместимой модели ONNX или TensorRT, но не нативного чекпоинта |
| YOLOv6 | Обнаружение | Train, Val, Predict, Export | Обучение архитектуры Meituan по ее YAML-файлу; Ultralytics не размещает чекпоинты YOLOv6 .pt |
| YOLOv5 | Обнаружение | Train, Val, Predict, Export | Устаревшие проекты Ultralytics; текущие релизы загружают обновленные чекпоинты YOLOv5u |
| YOLOv4 | Нет | Нет | Только в качестве справочника по архитектуре: модель Алексы Бочковского на базе Darknet пакетом не поддерживается |
| YOLOv3 | Обнаружение | Train, Val, Predict, Export | Устаревшие проекты на оригинальной архитектуре Джозефа Редмона; текущие релизы загружают обновленные чекпоинты YOLOv3u |
| SAM 3 🚀 NEW | Сегментация | Предсказание | Концептуальная сегментация Meta по подсказкам в изображениях и видео на основе текстовых или визуальных примеров; sam3.pt требует запроса доступа на Hugging Face |
| SAM 2 | Сегментация | Предсказание | Сегментация Meta по подсказкам с трекингом объектов по кадрам видео |
| SAM | Сегментация | Предсказание | Оригинальная сегментация Meta по подсказкам, включая авторазметку |
| MobileSAM | Сегментация | Предсказание | Сегментация по подсказкам для мобильных и других устройств с ограниченными ресурсами (Университет Кёнхи) |
| FastSAM | Сегментация | Val, Predict, Export | Сегментация по подсказкам на основе сверточных нейросетей (CNN), когда задержка SAM является узким местом (Китайская академия наук) |
| YOLO-NAS | Обнаружение | Val, Predict, Export | Оптимизированные с помощью NAS детекторы от Deci, сохраненные для инференса и экспорта; Deci больше не поддерживает их после приобретения компанией NVIDIA |
| RT-DETR | Обнаружение | Train, Val, Predict, Export | Детектор RT-DETR реального времени от Baidu: сверточный бэкбон с гибридным трансформерным энкодером |
| YOLO-World | Обнаружение | Train, Val, Predict, Export | Детекция с открытым словарем по текстовым подсказкам (Tencent AI Lab); для экспорта требуются чекпоинты -worldv2 |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Детекция и сегментация с открытым словарем с использованием текстового, визуального инференса или инференса без подсказок |
Watch: Run Ultralytics YOLO models in just a few lines of code.
Начало работы: примеры использования#
В этом примере приведены простые примеры обучения и инференса YOLO. Полную документацию по этим и другим режимам смотри на страницах документации Predict, Train, Val и Export.
Обрати внимание, что в примере ниже рассматриваются модели YOLO26 Detect для детекции объектов. Информацию о других поддерживаемых задачах см. на страницах документации Segment, Semantic, Depth, Classify, Pose и OBB.
Предобученные модели PyTorch *.pt, а также конфигурационные файлы *.yaml могут передаваться в классы YOLO(), SAM(), NAS() и RTDETR() для создания экземпляра модели в 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")Вклад в разработку новых моделей#
Хочешь добавить свою модель в Ultralytics? Отлично! Мы всегда открыты для расширения нашего портфолио моделей.
-
Сделай форк репозитория: Начни с форка репозитория Ultralytics на GitHub.
-
Клонируй свой форк: клонируй свой форк на локальный компьютер и создай новую ветку для работы.
-
Реализуй свою модель: Добавь свою модель, соблюдая стандарты кодирования и рекомендации из нашего руководства по внесению вклада.
-
Тщательно протестируй: обязательно протестируй свою модель как изолированно, так и в составе конвейера.
-
Создай Pull Request: как только ты будешь доволен своей моделью, создай Pull Request в основной репозиторий для проверки.
-
Код-ревью и слияние: после проверки, если твоя модель соответствует нашим критериям, она будет добавлена в основной репозиторий.
Подробные шаги описаны в нашем руководстве по внесению вклада.
FAQ#
Новейшая модель Ultralytics YOLO — это YOLO26, выпущенная в январе 2026 года. YOLO26 поддерживает сквозной инференс без NMS, оптимизированное развертывание на Edge-устройствах, а также детекцию, сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию, оценку позы, OBB и версии с открытым словарем. Для стабильных рабочих нагрузок в продакшене рекомендуются как YOLO26, так и YOLO11.
Обучение модели YOLO на собственных данных легко выполняется с помощью библиотек Ultralytics. Вот краткий пример:
Примерfrom 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)Более подробные инструкции можно найти на странице документации Train.
Ultralytics нативно 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 или YAML-файлы для YOLOv4 или YOLOv7: YOLOv4 документирован исключительно как справочник по архитектуре, в то время как YOLOv7 запускается в виде экспортированной модели ONNX или TensorRT. О доступных для каждой модели задачах и режимах читай в разделе Рекомендуемые модели.
Ultralytics Platform представляет собой бесшовную сквозную платформу без кода для обучения, развертывания и управления моделями YOLO. Она упрощает сложные рабочие процессы, позволяя пользователям сосредоточиться на производительности моделей и разработке приложений. Она также предлагает возможности облачного обучения, комплексное управление датасетами и удобный интерфейс как для новичков, так и для опытных разработчиков.
Модели Ultralytics YOLO универсальны и могут выполнять такие задачи, как детекция объектов, сегментация экземпляров, семантическая сегментация, оценка глубины, классификация, оценка позы и ориентированная детекция объектов (OBB). Новейшая модель YOLO26 поддерживает все семь задач, а также детекцию с открытым словарем. Подробную информацию о конкретных задачах см. на страницах задач.