Ultralytics Tarafından Desteklenen Modeller#
Ultralytics model belgelerine hoş geldin! nesne algılama, örnek bölütleme, semantik bölütleme, derinlik tahmini, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutular gibi belirli görevlere uyarlanmış çok çeşitli modelleri destekliyoruz. Model mimarini Ultralytics'e katkıda bulunmak istiyorsan Katkıda Bulunma Kılavuzu'na göz at.
Öne Çıkan Modeller#
Yeni bir proje için YOLO26 ile başla: en yeni Ultralytics sürümüdür ve yedi görevin tamamını kapsayan tek modeldir. YOLO11, beş görevinin her biri için önceden eğitilmiş checkpoint'ler sunan, olgunlaşmış alternatiftir. Yalnızca istemle yönlendirilebilir bölütleme (SAM 3), açık kelime dağarcıklı algılama (YOLOE, YOLO-World) veya bir transformer algılayıcısına (RT-DETR) ihtiyaç duyduğunda uzmanlaşmış bir aile seç.
YOLO27, belirli bir lansman tarihi olmamakla birlikte, bu yılın ilerleyen dönemlerinde yapılması beklenen bir lansman için son Ar-Ge aşamasından geçmektedir. YOLO27 mimarisini, planlanan yedi görevi ve ön değerlendirme kıyaslamalarını önizle. Model ağırlıkları ve paket desteği henüz mevcut değildir; mevcut projeler için YOLO26 kullan.
Bu tablo, yayınlanan modelleri ve mimari referanslarını; görevleriyle, desteklenen train, val, predict ve export modlarıyla ve önerilen kullanım senaryolarıyla birlikte listeler. Track ayrı olarak listelenmemiştir: Detect, Segment, Pose ve OBB modellerinde predict üzerinde çalışırken, SAM 2 ve SAM 3 kendi video tahmincileri aracılığıyla track yapar. Benchmark da ayrı olarak listelenmemiştir, çünkü kendi desteğini eklemek yerine export ve val işlemlerini formatlar arasında sarmalar.
| Model | Görevler | Modlar | Şu durumlarda seç |
|---|---|---|---|
| YOLO26 🚀 YENİ | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Yeni projeler: isteğe bağlı NMS içermeyen çıkarım, uç birimler için optimize edilmiş dağıtım ve en geniş görev kapsamı |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Dikkat merkezli topluluk sürümünü karşılaştırmalı değerlendirme; önceden eğitilmiş ağırlıklar yalnızca algılamayı kapsar |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Desteklediği her görev için önceden eğitilmiş checkpoint'lerle kararlı üretim iş yükleri |
| YOLOv10 | Detect | Train, Val, Predict, Export | Tsinghua Üniversitesi'nden NMS'siz algılama araştırması |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | Ultralytics YOLOv5 kod tabanında uygulanan Programlanabilir Gradyan Bilgisi (PGI) |
| YOLOv8 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Mevcut YOLOv8 işlem hatları ve yerleşik üçüncü taraf entegrasyonları |
| YOLOv7 | Detect | Tahmin | Yukarı akışta eğitilmiş bir YOLOv7 export'unu çalıştırma: paket, native checkpoint'ten değil, uyumlu bir ONNX veya TensorRT modelinden tahmin yapar |
| YOLOv6 | Detect | Train, Val, Predict, Export | Meituan mimarisini YAML dosyasından eğitme; Ultralytics herhangi bir YOLOv6 .pt checkpoint'i barındırmaz |
| YOLOv5 | Detect | Train, Val, Predict, Export | Eski Ultralytics projeleri; güncel sürümler güncellenmiş YOLOv5u checkpoint'lerini yükler |
| YOLOv4 | Yok | Yok | Yalnızca mimari referansı: Alexey Bochkovskiy'nin Darknet-native modeli paket tarafından desteklenmez |
| YOLOv3 | Detect | Train, Val, Predict, Export | Joseph Redmon'un özgün mimarisini kullanan eski projeler; güncel sürümler güncellenmiş YOLOv3u checkpoint'lerini yükler |
| SAM 3 🚀 YENİ | Segment | Tahmin | Meta'nın metin veya görsel örneklerinden yola çıkarak görsel ve videolarda istemle yönlendirilebilir kavramsal segmentasyon özelliği; sam3.pt ve SAM 3.1 sam3.1_multiplex.pt (görseller) modelleri Hugging Face üzerinde erişim onayı gerektirir |
| SAM 2 | Segment | Tahmin | Meta'nın videonun kareleri boyunca nesneleri izleyen istemle yönlendirilebilir bölütlemesi |
| SAM | Segment | Tahmin | Otomatik etiketleme de dahil olmak üzere Meta'nın özgün istemle yönlendirilebilir bölütlemesi |
| MobileSAM | Segment | Tahmin | Mobil cihazlarda ve kaynakları kısıtlı diğer cihazlarda istemle yönlendirilebilir bölütleme (Kyung Hee Üniversitesi) |
| FastSAM | Segment | Val, Predict, Export | SAM gecikmesinin darboğaz olduğu durumlarda CNN tabanlı istemle yönlendirilebilir bölütleme (Çin Bilimler Akademisi) |
| YOLO-NAS | Detect | Val, Predict, Export | Deci'nin NAS ile optimize edilmiş algılayıcıları; çıkarım ve export için tutulur, NVIDIA tarafından satın alınmasının ardından Deci artık bunların bakımını yapmaz |
| RT-DETR | Detect | Train, Val, Predict, Export | Baidu'nun gerçek zamanlı DETR algılayıcısı: hibrit bir transformer kodlayıcıya sahip evrişimli bir omurga |
| YOLO-World | Detect | Train, Val, Predict, Export | Metin istemlerinden açık kelime dağarcıklı algılama (Tencent AI Lab); export için -worldv2 checkpoint'leri gerekir |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Metin, görsel veya istemsiz çıkarımla açık kelime dağarcıklı algılama ve bölütleme |
Ultralytics ayrıca metin ve görüntü anlama için büyük dil ve görme modellerine yönelik OpenAI uyumlu bir arayüz olan LLM sunar. Kendine ait görevleri veya modları olmadığı için yukarıdaki tabloda yer almaz; ancak herhangi bir YOLO işlem hattıyla birlikte çalışır ve OpenAI ile diğer bulut sağlayıcılarında veya tamamen yerel, şirket içi bir sunucuda çalıştırılabilir.
Watch: Run Ultralytics YOLO models in just a few lines of code.
Başlarken: Kullanım Örnekleri#
Bu örnek, basit YOLO eğitimi ve çıkarımı örnekleri sunar. Bunlar ve diğer modlar hakkında tam belge için Predict, Train, Val ve Export belge sayfalarına bak.
Aşağıdaki örneğin YOLO26 Detect modellerini nesne algılama için öne çıkardığını unutma. Desteklenen diğer görevler için Segment, Semantic, Depth, Classify, Pose ve OBB belgelerine bak.
PyTorch ile önceden eğitilmiş *.pt modelleri ve *.yaml yapılandırma dosyaları, Python'da bir model örneği oluşturmak için YOLO(), SAM(), NAS() ve RTDETR() sınıflarına aktarılabilir:
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 Model Katkısında Bulunma#
Modelini Ultralytics'e katkıda bulunmak ister misin? Harika! Model portföyümüzü genişletmeye her zaman açığız.
-
Depoyu Fork'la: Ultralytics GitHub deposunu fork'layarak başla.
-
Fork'unu Klonla: Fork'unu yerel makineye klonla ve üzerinde çalışmak için yeni bir dal oluştur.
-
Modelini Uygula: Modelini, Katkıda Bulunma Kılavuzu'nda sağlanan kodlama standartlarını ve yönergeleri izleyerek 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, incelenmesi için ana depoya bir pull request oluştur.
-
Kod İncelemesi ve Birleştirme: İncelemenin ardından modelin ölçütlerimizi karşılıyorsa ana depoyla birleştirilir.
Ayrıntılı adımlar için Katkıda Bulunma Kılavuzu'na başvur.
SSS#
Yayınlanan en son Ultralytics YOLO modeli, Ocak 2026'da yayınlanan YOLO26'dır. YOLO26, isteğe bağlı NMS içermeyen uçtan uca çıkarım, optimize edilmiş uç cihazda dağıtım özelliklerine sahiptir ve tespiti, örnek bölütlemeyi, semantic segmentation, depth estimation, sınıflandırmayı, poz tahminini ve OBB ile açık kelime dağarcığı sürümlerini destekler. Kararlı üretim iş yükleri için hem YOLO26 hem de YOLO11 önerilen seçeneklerdir.
YOLO27, şu anda son Ar-Ge aşamasında olan yakında çıkacak ailedir. YOLO27 henüz mevcut değildir ve kesin bir lansman tarihi yoktur.
Özel veriler üzerinde bir YOLO modelini eğitmek, Ultralytics kütüphaneleri kullanılarak kolayca gerçekleştirilebilir. İşte kısa bir örnek:
Örnekfrom 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 belgeleri sayfasını ziyaret et.
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 ağırlık ya da YAML yayımlamaz: YOLOv4 yalnızca bir mimari referansı olarak belgelenirken YOLOv7, export edilmiş bir ONNX veya TensorRT modeli olarak çalışır. Her biri için kullanılabilen görev ve modlar için Öne Çıkan Modeller bölümüne bak.
Ultralytics Platform, YOLO modellerini eğitmek, dağıtmak ve yönetmek için kod gerektirmeyen, uçtan uca bir platform sunar. Karmaşık iş akışlarını basitleştirerek kullanıcıların model performansına ve uygulamaya odaklanmasını sağlar. Ayrıca bulutta eğitim özellikleri, kapsamlı veri kümesi yönetimi ve hem yeni başlayanlar hem de deneyimli geliştiriciler için kullanımı kolay arayüzler sunar.
Ultralytics YOLO modelleri çok yönlüdür ve nesne algılama, örnek bölütleme, semantik bölütleme, derinlik tahmini, sınıflandırma, poz tahmini ve yönlendirilmiş nesne algılama (OBB) gibi görevleri gerçekleştirebilir. En yeni model olan YOLO26, yedi görevin tamamının yanı sıra açık kelime dağarcıklı algılamayı destekler. Belirli görevler hakkında ayrıntılar için Görev sayfalarına bak.