Модели, поддерживаемые Ultralytics#
Добро пожаловать в документацию по моделям Ultralytics! Мы поддерживаем широкий спектр моделей, каждая из которых адаптирована под конкретные задачи, такие как обнаружение объектов, сегментация экземпляров, семантическая сегментация, оценка глубины, классификация изображений, оценка позы и ориентированные ограничивающие рамки. Если ты хочешь добавить архитектуру своей модели в Ultralytics, ознакомься с нашим руководством по внесению изменений.
Рекомендуемые модели#
Для нового проекта начни с YOLO26: это последний релиз Ultralytics и единственная модель, охватывающая все семь задач. YOLO11 — зрелая альтернатива с предварительно обученными чекпоинтами для каждой из пяти поддерживаемых задач. Выбирай специализированное семейство только при необходимости в сегментации с подсказками (SAM 3), обнаружении с открытым словарём (YOLOE, YOLO-World) или детекторе на базе Transformer (RT-DETR).
YOLO27 проходит финальные научно-исследовательские и опытно-конструкторские работы в преддверии запуска в конце этого года, точной даты запуска пока нет. Ознакомься с архитектурой YOLO27, семью запланированными задачами и предварительными бенчмарками. Веса моделей и поддержка пакетов пока недоступны; используй YOLO26 для текущих проектов.
В таблице перечислени выпушенные модели и ссылки на архитектуру с их задачами, поддерживаемыми режимами train, val, predict and export и рекомендуемыми вариантами использования. Track не указан отдельно: он работает поверх режима predict для моделей Detect, Segment, Pose и OBB, в то время как SAM 2 и SAM 3 отслеживают объекты через собственные видеопредсказатели. Benchmark также не указан, поскольку Benchmark обертывает экспорт и валидацию по разным форматам, а не добавляет собственную поддержку.
| Модель | Задачи | Режимы | Выбирай для |
|---|---|---|---|
| YOLO26 🚀 НОВИНКА | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Новые проекты: опциональный вывод без NMS, развертывание с оптимизацией для периферийных устройств и самая широкая поддержка задач |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Тестирования ориентированного на attention релиза сообщества; предварительно обученные веса доступны только для обнаружения |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Стабильных рабочих нагрузок в продакшене с предварительно обученными чекпоинтами для каждой поддерживаемой задачи |
| YOLOv10 | Detect | Train, Val, Predict, Export | Исследований обнаружения без NMS от Университета Цинхуа |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | Программируемой градиентной информации (PGI), реализованной на базе кодовой базы Ultralytics YOLOv5 |
| YOLOv8 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Существующих конвейеров YOLOv8 и устоявшихся сторонних интеграций |
| YOLOv7 | Detect | Predict | Запуска экспорта YOLOv7, обученного в исходном проекте: пакет выполняет предсказания на совместимой модели ONNX или TensorRT, но не на исходном чекпоинте |
| YOLOv6 | Detect | Train, Val, Predict, Export | Обучения архитектуры Meituan из её YAML; Ultralytics не предоставляет чекпоинты YOLOv6 .pt |
| YOLOv5 | Detect | Train, Val, Predict, Export | Устаревших проектов Ultralytics; текущие релизы загружают обновлённые чекпоинты YOLOv5u |
| YOLOv4 | Нет | Нет | Только справочного описания архитектуры: модель Alexey Bochkovskiy, нативная для Darknet, не поддерживается пакетом |
| YOLOv3 | Detect | Train, Val, Predict, Export | Устаревших проектов на оригинальной архитектуре Joseph Redmon; текущие релизы загружают обновлённые чекпоинты YOLOv3u |
| SAM 3 🚀 НОВИНКА | Segment | Predict | Концептуальная сегментация Meta с подсказками в изображениях и видео по тексту или примерам изображений; sam3.pt и SAM 3.1 sam3.1_multiplex.pt (изображения) требуют одобрения доступа на Hugging Face |
| SAM 2 | Segment | Predict | Сегментации с подсказками от Meta и отслеживания объектов между кадрами видео |
| SAM | Segment | Predict | Оригинальной сегментации с подсказками от Meta, включая автоматическое создание аннотаций |
| MobileSAM | Segment | Predict | Сегментации с подсказками на мобильных и других устройствах с ограниченными ресурсами (Университет Кёнхи) |
| FastSAM | Segment | Val, Predict, Export | Сегментации с подсказками на базе CNN, когда задержка SAM становится узким местом (Китайская академия наук) |
| YOLO-NAS | Detect | Val, Predict, Export | Детекторов Deci, оптимизированных с помощью NAS и сохранённых для вывода и экспорта; после приобретения NVIDIA компания Deci больше не занимается их сопровождением |
| RT-DETR | Detect | Train, Val, Predict, Export | Детектора DETR реального времени от Baidu: свёрточного backbone с гибридным энкодером на базе Transformer |
| YOLO-World | Detect | Train, Val, Predict, Export | Обнаружения с открытым словарём по текстовым подсказкам (Tencent AI Lab); для экспорта требуются чекпоинты -worldv2 |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Обнаружения и сегментации с открытым словарём с помощью текста, визуальных подсказок или вывода без подсказок |
Ultralytics также поставляет LLM — совместимый с OpenAI интерфейс к большим языковым и зрительным моделям для понимания текста и изображений. У него нет собственных задач или режимов, поэтому в приведённую выше таблицу он не включён, но его можно использовать с любым конвейером YOLO и запускать через OpenAI и других облачных провайдеров либо на полностью локальном сервере в собственной инфраструктуре.
Watch: Run Ultralytics YOLO models in just a few lines of code.
Начало работы: примеры использования#
В этом примере показаны простые примеры обучения и вывода YOLO. Полную документацию по этим и другим режимам смотри на страницах документации Predict, Train, Val и Export.
Обрати внимание: в примере показаны модели YOLO26 Detect для обнаружения объектов. Информацию о других поддерживаемых задачах смотри в документации по Segment, Semantic, Depth, Classify, Pose и OBB.
Предварительно обученные модели *.pt для PyTorch, а также конфигурационные файлы *.yaml можно передать классам YOLO(), SAM(), NAS() и RTDETR(), чтобы создать экземпляр 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")Добавление новых моделей#
Хочешь добавить свою модель в Ultralytics? Отлично! Мы всегда открыты для расширения портфолио моделей.
-
Создай форк репозитория: сначала создай форк репозитория Ultralytics на GitHub.
-
Клонируй свой форк: клонируй свой форк на локальный компьютер и создай новую ветку для работы.
-
Реализуй свою модель: добавь модель в соответствии со стандартами и рекомендациями по написанию кода из нашего руководства по внесению изменений.
-
Тщательно протестируй: обязательно строго протестируй модель как изолированно, так и в составе конвейера.
-
Создай пул-реквест: когда останешься доволен своей моделью, создай пул-реквест в основной репозиторий для проверки.
-
Проведение ревью и слияние: после проверки модель будет добавлена в основной репозиторий, если она соответствует нашим критериям.
Подробные инструкции смотри в нашем руководстве по внесению изменений.
Часто задаваемые вопросы#
Последней выпущенной моделью Ultralytics YOLO является YOLO26, выпущенная в январе 2026 года. YOLO26 отличается опциональным выводом end-to-end без NMS, оптимизированным развертыванием на периферийных устройствах и поддерживает детектирование, сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию, оценку позы, OBB, а также версии с открытым словарем. Для стабильных производственных нагрузок рекомендуются как YOLO26, так и YOLO11.
YOLO27 — это грядущее семейство, которое в настоящее время находится на стадии финальных научно-исследовательских и опытно-конструкторских работ. YOLO27 пока недоступен, и точная дата запуска не назначена.
Обучить модель YOLO на собственных данных можно 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)Подробные инструкции смотри на странице документации по 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 или YAML для YOLOv4 и YOLOv7: YOLOv4 задокументирован только как справочная архитектура, а YOLOv7 работает как экспортированная модель ONNX или TensorRT. Список доступных задач и режимов для каждой модели смотри в разделе Рекомендуемые модели.
Ultralytics Platform предоставляет сквозную платформу без написания кода для обучения, развёртывания и управления моделями YOLO. Она упрощает сложные рабочие процессы, позволяя сосредоточиться на производительности модели и приложении. Платформа также предлагает возможности облачного обучения, комплексное управление наборами данных и удобные интерфейсы как для начинающих, так и для опытных разработчиков.
Модели YOLO от Ultralytics универсальны и могут выполнять такие задачи, как обнаружение объектов, сегментация экземпляров, семантическая сегментация, оценка глубины, классификация, оценка позы и обнаружение ориентированных объектов (OBB). Последняя модель, YOLO26, поддерживает все семь задач, а также обнаружение с открытым словарём. Подробнее о конкретных задачах смотри на страницах задач.