Modèles pris en charge par Ultralytics

Bienvenue dans la documentation des modèles d'Ultralytics ! Nous offrons une prise en charge pour une large gamme de modèles, chacun adapté à des tâches spécifiques telles que la détection d'objets, la segmentation d'instances, la classification d'images, l'estimation de pose et le suivi multi-objets. Si tu souhaites contribuer à l'architecture de ton modèle sur Ultralytics, consulte notre Guide de contribution.

Modèles en vedette

Voici quelques-uns des principaux modèles pris en charge :

1. YOLOv3 : La troisième itération de la famille de modèles YOLO, conçue à l'origine par Joseph Redmon, connue pour ses capacités efficaces de détection d'objets en temps réel.
2. YOLOv4 : Une mise à jour native darknet de YOLOv3, publiée par Alexey Bochkovskiy en 2020.
3. YOLOv5 : Une version améliorée de l'architecture YOLO par Ultralytics, offrant de meilleurs compromis entre performance et vitesse par rapport aux versions précédentes.
4. YOLOv6 : Publié par Meituan en 2022, et utilisé dans de nombreux robots de livraison autonomes de l'entreprise.
5. YOLOv7 : Modèles YOLO mis à jour publiés en 2022 par les auteurs de YOLOv4. Seule l'inférence est prise en charge.
6. YOLOv8 : Un modèle polyvalent doté de capacités améliorées telles que la segmentation d'instances, l'estimation de pose/points clés et la classification.
7. YOLOv9 : Un modèle expérimental entraîné sur la base de code YOLOv5 d'Ultralytics, implémentant la Programmable Gradient Information (PGI).
8. YOLOv10 : Par l'Université Tsinghua, doté d'un entraînement sans NMS et d'une architecture axée sur l'efficacité et la précision, offrant des performances et une latence de pointe.
9. YOLO11 : Les modèles YOLO d'Ultralytics offrant des performances élevées sur plusieurs tâches, notamment la détection, la segmentation, l'estimation de pose, le suivi et la classification.
10. YOLO26 🚀 NOUVEAU : Le tout dernier modèle YOLO de nouvelle génération d'Ultralytics, optimisé pour le déploiement en périphérie (edge) avec une inférence de bout en bout sans NMS.
11. Segment Anything Model (SAM) : Le modèle Segment Anything Model (SAM) original de Meta.
12. Segment Anything Model 2 (SAM2) : La nouvelle génération du modèle Segment Anything Model de Meta pour les vidéos et les images.
13. Segment Anything Model 3 (SAM3) 🚀 NOUVEAU : La troisième génération du modèle Segment Anything Model de Meta avec segmentation de concept sollicitable pour la segmentation basée sur des exemples de texte et d'image.
14. Mobile Segment Anything Model (MobileSAM) : MobileSAM pour les applications mobiles, par l'Université Kyung Hee.
15. Fast Segment Anything Model (FastSAM) : FastSAM par le groupe d'analyse d'images et de vidéos, Institut d'automatisation, Académie chinoise des sciences.
16. YOLO-NAS : Modèles YOLO Neural Architecture Search (NAS).
17. Real-Time Detection Transformers (RT-DETR) : Modèles de détection en temps réel Transformer (RT-DETR) de PaddlePaddle par Baidu.
18. YOLO-World : Modèles de détection d'objets à vocabulaire ouvert en temps réel du Tencent AI Lab.
19. YOLOE : Un détecteur d'objets à vocabulaire ouvert amélioré qui maintient les performances en temps réel de YOLO tout en détectant des classes arbitraires au-delà de ses données d'entraînement.

Pour commencer : Exemples d'utilisation

Cet exemple fournit des exemples simples d'entraînement et d'inférence YOLO. Pour une documentation complète sur ces modes et d'autres, consulte les pages de documentation Predict, Train, Val et Export.

Note que l'exemple ci-dessous met en lumière les modèles Detect de YOLO11 pour la détection d'objets. Pour d'autres tâches prises en charge, consulte la documentation Segment, Classify et Pose.

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")

Contribuer à de nouveaux modèles

Tu souhaites contribuer ton modèle à Ultralytics ? Génial ! Nous sommes toujours ouverts à l'expansion de notre portefeuille de modèles.

1. Fork le dépôt : Commence par forker le dépôt GitHub d'Ultralytics.

2. Clone ton fork : Clone ton fork sur ta machine locale et crée une nouvelle branche pour travailler.

3. Implémente ton modèle : Ajoute ton modèle en suivant les normes de codage et les directives fournies dans notre Guide de contribution.

4. Teste minutieusement : Assure-toi de tester ton modèle rigoureusement, à la fois de manière isolée et dans le cadre du pipeline.

5. Crée une Pull Request : Une fois que tu es satisfait de ton modèle, crée une pull request vers le dépôt principal pour examen.

6. Revue de code et fusion : Après examen, si ton modèle répond à nos critères, il sera fusionné dans le dépôt principal.

Pour des étapes détaillées, consulte notre Guide de contribution.

FAQ

Quel est le dernier modèle YOLO d'Ultralytics ?

Le dernier modèle YOLO d'Ultralytics est YOLO26, publié en janvier 2026. YOLO26 propose une inférence de bout en bout sans NMS, un déploiement optimisé en périphérie et prend en charge les cinq tâches (détection, segmentation, classification, estimation de pose et OBB) ainsi que des versions à vocabulaire ouvert. Pour des charges de travail de production stables, YOLO26 et YOLO11 sont tous deux recommandés.

Comment puis-je entraîner un modèle YOLO sur des données personnalisées ?

L'entraînement d'un modèle YOLO sur des données personnalisées peut être facilement accompli en utilisant les bibliothèques d'Ultralytics. Voici un exemple rapide :

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)

Pour des instructions plus détaillées, visite la page de documentation Train.

Quelles versions de YOLO sont prises en charge par Ultralytics ?

Ultralytics prend en charge une gamme complète de versions de YOLO (You Only Look Once) de YOLOv3 à YOLO11, ainsi que des modèles tels que YOLO-NAS, SAM et RT-DETR. Chaque version est optimisée pour diverses tâches telles que la détection, la segmentation et la classification. Pour des informations détaillées sur chaque modèle, consulte la documentation Modèles pris en charge par Ultralytics.

Pourquoi devrais-je utiliser la plateforme Ultralytics pour des projets de machine learning ?

La plateforme Ultralytics fournit une plateforme sans code et de bout en bout pour entraîner, déployer et gérer des modèles YOLO. Elle simplifie les flux de travail complexes, permettant aux utilisateurs de se concentrer sur les performances du modèle et l'application. Le HUB offre également des capacités d'entraînement dans le cloud, une gestion complète des jeux de données et des interfaces conviviales pour les débutants comme pour les développeurs expérimentés.

Quels types de tâches les modèles YOLO d'Ultralytics peuvent-ils effectuer ?

Les modèles YOLO d'Ultralytics sont polyvalents et peuvent effectuer des tâches incluant la détection d'objets, la segmentation d'instances, la classification, l'estimation de pose et la détection d'objets orientés (OBB). Le modèle le plus récent, YOLO26, prend en charge les cinq tâches ainsi que la détection à vocabulaire ouvert. Pour plus de détails sur les tâches spécifiques, consulte les pages des tâches.