Ultralytics Tarafından Desteklenen Modeller#
Ultralytics model belgelerine hoş geldin! Her biri nesne algılama, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutular gibi belirli görevlere yönelik çok çeşitli modelleri destekliyoruz. Model mimarini Ultralytics'e katkıda bulunmak istiyorsan Katkıda Bulunma Kılavuzumuza göz at.
Öne Çıkan Modeller#
Yeni bir projeye YOLO26 ile başla: Bu, Ultralytics'in en yeni sürümüdür ve yedi görevin tümünü kapsayan tek modeldir. YOLO11, beş görevinin her biri için önceden eğitilmiş kontrol noktaları sunan, olgun bir alternatiftir. Yalnızca istemle yönlendirilebilir segmentasyona (SAM 3), açık kelime dağarcıklı algılamaya (YOLOE, YOLO-World) veya Transformer algılayıcısına (RT-DETR) ihtiyaç duyduğunda özelleşmiş bir aile seç.
YOLO27, bu yılın ilerleyen dönemlerinde yapılması beklenen lansman için son Ar&Ge aşamasında; kesin bir lansman tarihi belirlenmedi. Mimarisini, planlanan yedi görevi ve ilk kıyaslama sonuçlarını önizle. Model ağırlıkları ve paket desteği henüz kullanılamıyor; mevcut projelerinde YOLO26 kullan.
Tabloda yayımlanmış modeller ve mimari referansları; görevleri, desteklenen train, val, predict ve export kipleri ve önerilen kullanım alanlarıyla birlikte listeleniyor. Track ayrı bir öğe olarak listelenmiyor: Detect, Segment, Pose ve OBB modellerinde predict kipinin üzerinde çalışırken SAM 2 ve SAM 3 kendi video tahmincileri aracılığıyla izleme yapıyor. Benchmark da listelenmiyor; çünkü kendi başına destek eklemek yerine farklı biçimlerde export ve val işlemlerini kapsıyor.
| Model | Görevler | Modlar | Şu durumlarda tercih et |
|---|---|---|---|
| YOLO26 🚀 YENİ | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Yeni projeler: isteğe bağlı NMS'siz çıkarım, uçta optimize edilmiş dağıtım ve en geniş görev kapsamı |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Dikkat mekanizmasını merkeze alan topluluk sürümünü kıyaslama; önceden eğitilmiş ağırlıklar yalnızca algılamayı kapsar |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Desteklediği her görev için önceden eğitilmiş kontrol noktaları sunan, 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 | Üst kaynakta eğitilmiş bir YOLOv7 dışa aktarımını çalıştırma: paket, yalnızca uyumlu bir ONNX veya TensorRT modelinden tahmin yapar; yerel kontrol noktasından asla tahmin yapmaz |
| YOLOv6 | Detect | Train, Val, Predict, Export | Meituan mimarisini kendi YAML dosyasından eğitme; Ultralytics, YOLOv6 .pt kontrol noktalarını barındırmaz |
| YOLOv5 | Detect | Train, Val, Predict, Export | Eski Ultralytics projeleri; güncel sürümler güncellenmiş YOLOv5u kontrol noktalarını yükler |
| YOLOv4 | Yok | Yok | Yalnızca mimari referansı: Alexey Bochkovskiy'nin Darknet yerel modeli paket tarafından desteklenmiyor |
| YOLOv3 | Detect | Train, Val, Predict, Export | Joseph Redmon'un özgün mimarisini kullanan eski projeler; güncel sürümler güncellenmiş YOLOv3u kontrol noktalarını yükler |
| SAM 3 🚀 YENİ | Segment | Tahmin | Meta'nın metin veya görüntü örneklerinden yararlanarak görüntü ve videolarda istemle yönlendirilebilir kavram segmentasyonu; sam3.pt ve SAM 3.1 sam3.1_multiplex.pt (görüntüler) için Hugging Face üzerinden erişim onayı gerekir |
| SAM 2 | Segment | Tahmin | Meta'nın videodaki kareler boyunca nesneleri izleyen, istemle yönlendirilebilir segmentasyonu |
| SAM | Segment | Tahmin | Meta'nın özgün istemle yönlendirilebilir segmentasyonu; otomatik etiketleme de dahildir |
| MobileSAM | Segment | Tahmin | Mobil ve kaynakları kısıtlı diğer cihazlarda istemle yönlendirilebilir segmentasyon (Kyung Hee Üniversitesi) |
| FastSAM | Segment | Val, Predict, Export | SAM gecikmesinin darboğaz olduğu durumlar için CNN tabanlı, istemle yönlendirilebilir segmentasyon (Çin Bilimler Akademisi) |
| YOLO-NAS | Detect | Val, Predict, Export | NVIDIA'nın satın almasının ardından Deci'nin artık bakımını yapmadığı, NAS ile optimize edilmiş algılayıcıları; çıkarım ve dışa aktarma için kullanılmaya devam ediyor |
| RT-DETR | Detect | Train, Val, Predict, Export | Baidu'nun gerçek zamanlı DETR algılayıcısı: hibrit Transformer kodlayıcıya sahip evrişimli bir omurga |
| YOLO-World | Detect | Train, Val, Predict, Export | Metin istemleriyle açık kelime dağarcıklı algılama (Tencent AI Lab); dışa aktarma için -worldv2 kontrol noktaları gerekir |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Metin, görsel veya istem gerektirmeyen çıkarımla açık kelime dağarcıklı algılama ve segmentasyon |
Ultralytics ayrıca metin ve görüntü anlama için büyük dil ve görme modellerine yönelik, OpenAI uyumlu bir arayüz olan LLM paketini de sunar. Kendi görevleri veya kipleri olmadığı için yukarıdaki tabloda yer almaz; ancak her YOLO işlem hattıyla birlikte kullanılabilir ve OpenAI ile diğer bulut sağlayıcılarına ya da tamamen yerel, şirket içi bir sunucuya bağlanabilir.
İzle: Ultralytics YOLO modellerini yalnızca birkaç satır kodla çalıştır.
Başlarken: Kullanım Örnekleri#
Bu örnekte YOLO ile eğitim ve çıkarımın basit örnekleri sunuluyor. Bu ve diğer kipler hakkında tüm belgeler için Predict, Train, Val ve Export belgelerine bak.
Aşağıdaki örneğin, nesne algılama için YOLO26 Detect modellerini ele aldığını unutma. Desteklenen diğer görevler için Segment, Semantic, Depth, Classify, Pose ve OBB belgelerine bak.
PyTorch ile önceden eğitilmiş *.pt modelleri ve yapılandırma *.yaml dosyaları, Python'da bir model örneği oluşturmak için YOLO(), SAM(), NAS() ve RTDETR() sınıflarına aktarılabilir:
from ultralytics import YOLO
# COCO üzerinde önceden eğitilmiş bir YOLO26n modelini yükle
model = YOLO("yolo26n.pt")
# Model bilgilerini görüntüle (isteğe bağlı)
model.info()
# Modeli COCO8 örnek veri kümesinde 100 dönem boyunca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 'bus.jpg' görüntüsünde YOLO26n modeliyle çıkarım yap
results = model("path/to/bus.jpg")Yeni Modellerle Katkıda Bulunma#
Modelini Ultralytics'e katkıda bulunmak ister misin? Harika! Model portföyümüzü genişletmeye her zaman açığız.
-
Depoyu çatalla: Önce Ultralytics GitHub deposunu çatalla.
-
Çatalını klonla: Çatalını yerel makineye klonla ve üzerinde çalışmak için yeni bir dal oluştur.
-
Modelini uygula: Modelini, Katkıda Bulunma Kılavuzumuzda belirtilen kodlama standartlarına ve yönergelere uygun olarak ekle.
-
Kapsamlı test et: Modelini hem bağımsız olarak 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 oluştur.
-
Kod incelemesi ve birleştirme: İncelemenin ardından modelin ölçütlerimizi karşılıyorsa ana depoya birleştirilir.
Ayrıntılı adımlar için Katkıda Bulunma Kılavuzumuza başvur.
Sık Sorulan Sorular#
Yayımlanmış en yeni Ultralytics YOLO modeli, Ocak 2026'da yayımlanan YOLO26 modelidir. YOLO26; isteğe bağlı NMS'siz uçtan uca çıkarım, optimize edilmiş uç dağıtımı sunar ve algılama, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve OBB'nin yanı sıra açık kelime dağarcıklı sürümleri destekler. Kararlı üretim iş yükleri için hem YOLO26 hem de YOLO11 önerilen seçeneklerdir.
YOLO27, şu anda son Ar&Ge aşamasında olan yeni model ailesidir. Henüz kullanıma sunulmadı ve kesin bir lansman tarihi belirlenmedi.
Özel verilerle bir YOLO modelini Ultralytics kütüphanelerini kullanarak kolayca eğitebilirsin. İşte kısa bir örnek:
Örnekfrom ultralytics import YOLO # Bir YOLO modeli yükle model = YOLO("yolo26n.pt") # veya başka bir YOLO modeli # Modeli özel veri kümesinde eğit results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)Daha ayrıntılı yönergeler 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 dosyası yayımlamaz: YOLOv4 yalnızca mimari referansı olarak belgelenmiştir; YOLOv7 ise dışa aktarılmış bir ONNX veya TensorRT modeli olarak çalışır. Her model için kullanılabilen görevler ve modlar hakkında bilgi edinmek için Öne Çıkan Modeller sayfasına 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 bulut eğitim olanakları, kapsamlı veri kümesi yönetimi ve hem yeni başlayanlar hem de deneyimli geliştiriciler için kullanıcı dostu arayüzler sunar.
Ultralytics YOLO modelleri çok yönlüdür ve nesne algılama, örnek segmentasyonu, semantik segmentasyon, derinlik kestirimi, sınıflandırma, poz kestirimi ve yönlendirilmiş nesne algılama (OBB) gibi görevleri yerine getirebilir. En yeni model olan YOLO26, yedi görevin tamamını ve açık kelime dağarcıklı algılamayı destekler. Belirli görevlerle ilgili ayrıntılar için Görev sayfalarına bak.