Ultralytics Tarafından Desteklenen Modeller#
Ultralytics model belgelerine hoş geldin! object detection, instance segmentation, semantic segmentation, depth estimation, image classification, pose estimation ve multi-object tracking gibi belirli görevler için özel olarak tasarlanmış geniş bir model yelpazesine destek sunuyoruz. Kendi model mimarini Ultralytics'e katkıda bulunmak istiyorsan, Contributing Guide sayfamıza göz at.
Öne Çıkan Modeller#
Yeni bir proje için YOLO26 ile başla: en son Ultralytics sürümüdür ve yedi görevin tümünü kapsayan tek sürümdür. YOLO11, beş görevinin her biri için önceden eğitilmiş kontrol noktalarına sahip olgun bir alternatiftir. Yalnızca komut verilebilir segmentasyon (SAM 3), açık kelime dağarcığı tespiti (YOLOE, YOLO-World) veya bir transformer dedektörü (RT-DETR) gerektiğinde özel bir aile seç.
Tablo, belgelenen her modeli kapsadığı görevlerle, Ultralytics'in bu model için hangi train, val, predict and export modlarını desteklediğiyle ve modeli ne zaman seçeceğinle birlikte listeler. Track ayrı olarak listelenmez: Detect, Segment, Pose ve OBB modelleri için predict üzerinde çalışır; SAM 2 ve SAM 3 ise kendi video tahminleyicileri aracılığıyla takip yapar. Benchmark de listelenmez, çünkü kendi desteğini eklemek yerine formatlar arasında export ve val işlemlerini sarar.
| Model | Görevler | Modlar | Şunun için seç: |
|---|---|---|---|
| YOLO26 🚀 NEW | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Yeni projeler: uçtan uca NMS'siz çıkarım, uç birimler için optimize edilmiş dağıtım ve en geniş görev kapsamı |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Dikkat odaklı topluluk sürümünün kıyaslanması; önceden eğitilmiş ağırlıklar yalnızca tespiti kapsar |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Desteklediği her görev için önceden eğitilmiş kontrol noktalarına sahip kararlı üretim iş yükleri |
| YOLOv10 | Algıla | Train, Val, Predict, Export | Tsinghua Üniversitesi'nden NMS'siz tespit araştırması |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | Programlanabilir Gradyan Bilgisi (PGI), Ultralytics YOLOv5 kod tabanı üzerinde uygulanmıştır |
| YOLOv8 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Mevcut YOLOv8 boru hatları ve kurulmuş üçüncü taraf entegrasyonları |
| YOLOv7 | Algıla | Tahmin Et (Predict) | Ana akım tarafından eğitilmiş bir YOLOv7 dışa aktarımını çalıştırma: paket, yerel kontrol noktasından değil, uyumlu bir ONNX veya TensorRT modelinden tahmin yapar |
| YOLOv6 | Algıla | Train, Val, Predict, Export | Meituan mimarisini YAML dosyasından eğitme; Ultralytics hiçbir YOLOv6 .pt kontrol noktası barındırmaz |
| YOLOv5 | Algıla | Train, Val, Predict, Export | Eski Ultralytics projeleri; mevcut sürümler güncellenmiş YOLOv5u kontrol noktalarını yükler |
| YOLOv4 | Hiçbiri | Hiçbiri | Yalnızca mimari referansı: Alexey Bochkovskiy'nin Darknet tabanlı modeli paket tarafından desteklenmez |
| YOLOv3 | Algıla | Train, Val, Predict, Export | Joseph Redmon'ın orijinal mimarisindeki eski projeler; mevcut sürümler güncellenmiş YOLOv3u kontrol noktalarını yükler |
| SAM 3 🚀 NEW | Segment | Tahmin Et (Predict) | Meta'nın metin veya görsel örneklerinden alınan, görüntülerde ve videoda komut verilebilir konsept segmentasyonu; sam3.pt, Hugging Face üzerinde erişim onayı gerektirir |
| SAM 2 | Segment | Tahmin Et (Predict) | Meta'nın video kareleri boyunca nesneleri takip eden komut verilebilir segmentasyonu |
| SAM | Segment | Tahmin Et (Predict) | Otomatik etiketleme dahil olmak üzere Meta'nın orijinal komut verilebilir segmentasyonu |
| MobileSAM | Segment | Tahmin Et (Predict) | Mobil ve kaynak kısıtlı diğer cihazlarda komut verilebilir segmentasyon (Kyung Hee Üniversitesi) |
| FastSAM | Segment | Val, Predict, Export | SAM gecikmesinin darboğaz oluşturduğu durumlarda CNN tabanlı komut verilebilir segmentasyon (Çin Bilimler Akademisi) |
| YOLO-NAS | Algıla | Val, Predict, Export | Deci'nin NAS için optimize edilmiş, çıkarım ve dışa aktarım amacıyla tutulan dedektörleri; NVIDIA satın almasından sonra Deci bunları artık sürdürmemektedir |
| RT-DETR | Algıla | Train, Val, Predict, Export | Baidu'nun gerçek zamanlı DETR dedektörü: hibrit transformer kodlayıcısına sahip konvolüsyonel bir omurga |
| YOLO-World | Algıla | Train, Val, Predict, Export | Metin komutlarından açık kelime dağarcığı tespiti (Tencent AI Lab); dışa aktarım -worldv2 kontrol noktalarını gerektirir |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Metin, görsel veya komut gerektirmeyen çıkarım ile açık kelime dağarcığı tespiti ve segmentasyonu |
Watch: Run Ultralytics YOLO models in just a few lines of code.
Başlarken: Kullanım Örnekleri#
Bu örnek, basit YOLO eğitimi ve çıkarımı örnekleri sunar. Bu ve diğer modes hakkında eksiksiz dokümantasyon için Predict, Train, Val ve Export doküman sayfalarına göz at.
Aşağıdaki örneğin nesne tespiti için YOLO26 Detect modellerini öne çıkardığını unutma. Desteklenen ek görevler için Segment, Semantic, Depth, Classify, Pose ve OBB belgelerine göz at.
Python'da bir model örneği oluşturmak için PyTorch ön eğitimlisi *.pt modelleri ile yapılandırma *.yaml dosyaları YOLO(), SAM(), NAS() ve RTDETR() sınıflarına geçirilebilir:
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")Yeni Modellerle Katkıda Bulunmak#
Modelinle Ultralytics'e katkıda bulunmak ister misin? Harika! Model portföyümüzü genişletmeye her zaman açığız.
-
Depoyu Fork'la: Ultralytics GitHub repository adresini fork'layarak başla.
-
Fork'unu Klonla: Fork'unu yerel makinene klonla ve üzerinde çalışmak için yeni bir dal oluştur.
-
Modelini Uygula: Contributing Guide sayfamızda sunulan kodlama standartlarını ve yönergelerini takip ederek modelini ekle.
-
Kapsamlı Test Et: Modelini hem tek başına hem de işlem hattının bir parçası olarak titizlikle test ettiğinden emin ol.
-
Pull Request Oluştur: Modelinden memnun kaldığında, inceleme için ana depoya bir pull request gönder.
-
Kod İncelemesi ve Birleştirme: İncelemenin ardından, modelin kriterlerimizi karşılıyorsa ana depoya birleştirilecektir.
Ayrıntılı adımlar için Contributing Guide sayfamıza danış.
SSS#
En son Ultralytics YOLO modeli hangisidir?#
En son Ultralytics YOLO modeli, Ocak 2026'da yayınlanan YOLO26 sürümüdür. YOLO26; uçtan uca NMS'siz çıkarım, optimize edilmiş uç birim (edge) dağıtımı sunar ve tespiti, örnek segmentasyonunu, semantic segmentation, depth estimation, sınıflandırmayı, poz tahminini, OBB'yi ve açık kelime dağarcıklı sürümleri destekler. Kararlı üretim iş yükleri için hem YOLO26 hem de YOLO11 önerilen seçeneklerdir.
Özel veriler üzerinde nasıl bir YOLO modeli eğitebilirim?#
Özel veriler üzerinde bir YOLO modeli eğitmek, Ultralytics kütüphaneleri kullanılarak kolayca gerçekleştirilebilir. İşte hızlı bir örnek:
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)Daha ayrıntılı talimatlar için Train dokümantasyon sayfasını ziyaret et.
Ultralytics tarafından hangi YOLO sürümleri desteklenmektedir?#
Ultralytics; YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 ve YOLO26'nın yanı sıra SAM ailesini (SAM 3, SAM 2, SAM, MobileSAM ve FastSAM), YOLO-NAS, RT-DETR, YOLO-World ve YOLOE'yi yerel olarak destekler. Paket, YOLOv4 veya YOLOv7 için herhangi bir ağırlık veya YAML yayınlamaz: YOLOv4 yalnızca bir mimari referansı olarak belgelenmiştir, YOLOv7 ise dışa aktarılmış bir ONNX veya TensorRT modeli olarak çalışır. Her biri için mevcut görevler ve modlar hakkında bilgi edinmek için Featured Models sayfasına bak.
machine learning projelerim için neden Ultralytics Platform kullanmalıyım?#
Ultralytics Platform, YOLO modellerini eğitmek, dağıtmak ve yönetmek için kod gerektirmeyen, uçtan uca bir platform sağlar. Karmaşık iş akışlarını basitleştirerek kullanıcıların model performansına ve uygulamaya odaklanmasını sağlar. Ayrıca cloud training capabilities, kapsamlı veri kümesi yönetimi ve hem yeni başlayanlar hem de deneyimli geliştiriciler için kullanıcı dostu arayüzler sunar.
Ultralytics YOLO modelleri hangi tür görevleri gerçekleştirebilir?#
Ultralytics YOLO modelleri çok yönlüdür ve nesne tespiti, örnek segmentasyonu, semantic segmentation, depth estimation, sınıflandırma, poz tahmini ve yönlendirilmiş nesne tespiti (OBB) dahil olmak üzere görevleri gerçekleştirebilir. En son model olan YOLO26, yedi görevin tamamını ve açık kelime dağarcıklı tespiti destekler. Belirli görevler hakkındaki ayrıntılar için Task pages sayfalarına göz at.