中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية

Home

Ti presentiamo Ultralytics YOLO26, l'ultima versione dell'acclamato modello di object detection e image segmentation in tempo reale. YOLO26 è basato sui progressi nel deep learning e nella computer vision, e offre un'inferenza end-to-end priva di NMS e un deployment ottimizzato per l'edge. Il suo design semplificato lo rende adatto a svariate applicazioni e facilmente adattabile a diverse piattaforme hardware, dai dispositivi edge alle API cloud. Per carichi di lavoro di produzione stabili, sono raccomandati sia YOLO26 che YOLO11.

Esplora la documentazione di Ultralytics, una risorsa completa pensata per aiutarti a comprendere e utilizzare le sue funzionalità e capacità. Che tu sia un esperto di machine learning o un principiante del settore, questo hub mira a massimizzare il potenziale di YOLO nei tuoi progetti.

Richiedi una licenza Enterprise per uso commerciale su Ultralytics Licensing.

Da dove iniziare

YOLO: Una breve storia

YOLO (You Only Look Once), un popolare modello di object detection e image segmentation, è stato sviluppato da Joseph Redmon e Ali Farhadi all'Università di Washington. Lanciato nel 2015, YOLO ha guadagnato popolarità per la sua alta velocità e precisione.

• YOLOv2, rilasciato nel 2016, ha migliorato il modello originale incorporando batch normalization, anchor box e dimension clusters.
• YOLOv3, lanciato nel 2018, ha ulteriormente migliorato le prestazioni del modello utilizzando una rete backbone più efficiente, molteplici anchor e spatial pyramid pooling.
• YOLOv4 è stato rilasciato nel 2020, introducendo innovazioni come la data augmentation Mosaic, una nuova detection head anchor-free e una nuova loss function.
• YOLOv5 ha migliorato ulteriormente le prestazioni del modello e ha aggiunto nuove funzionalità come l'ottimizzazione degli iperparametri, il tracciamento integrato degli esperimenti e l'esportazione automatica verso formati comuni.
• YOLOv6 è stato reso open-source da Meituan nel 2022 ed è utilizzato in molti dei robot per consegne autonome dell'azienda.
• YOLOv7 ha aggiunto task supplementari come la pose estimation sul dataset COCO keypoints.
• YOLOv8, rilasciato nel 2023 da Ultralytics, ha introdotto nuove funzionalità e miglioramenti per prestazioni, flessibilità ed efficienza avanzate, supportando un'intera gamma di task di visione AI.
• YOLOv9 introduce metodi innovativi come Programmable Gradient Information (PGI) e Generalized Efficient Layer Aggregation Network (GELAN).
• YOLOv10 created by researchers from Tsinghua University using the Ultralytics Python package, provides real-time object detection advancements by introducing an End-to-End head that eliminates Non-Maximum Suppression (NMS) requirements.
• YOLO11: Rilasciato a settembre 2024, YOLO11 offre prestazioni eccellenti in molteplici task, tra cui object detection, segmentation, pose estimation, tracking e classification, consentendo il deployment in diverse applicazioni e domini AI.
• YOLO26 🚀: Il modello YOLO di prossima generazione di Ultralytics ottimizzato per il deployment edge con inferenza end-to-end priva di NMS.

Licenze YOLO: Come è concesso in licenza Ultralytics YOLO?

Ultralytics offre due opzioni di licenza per adattarsi a diversi casi d'uso:

• Licenza AGPL-3.0: Questa licenza open-source approvata dall'OSI è ideale per studenti e appassionati, promuovendo la collaborazione aperta e la condivisione delle conoscenze. Consulta il file LICENSE per maggiori dettagli.
• Licenza Enterprise: Progettata per uso commerciale, questa licenza consente l'integrazione fluida del software e dei modelli AI di Ultralytics in beni e servizi commerciali, bypassando i requisiti open-source della AGPL-3.0. Se il tuo scenario prevede l'incorporazione delle nostre soluzioni in un'offerta commerciale, contattaci tramite Ultralytics Licensing.

La nostra strategia di licenza è pensata per garantire che eventuali miglioramenti ai nostri progetti open-source vengano restituiti alla comunità. Crediamo nell'open source e la nostra missione è assicurarci che i nostri contributi possano essere utilizzati ed espansi in modi che portino beneficio a tutti.

L'evoluzione dell'object detection

L'object detection si è evoluta significativamente nel corso degli anni, passando da tecniche di computer vision tradizionali a modelli di deep learning avanzati. La famiglia di modelli YOLO è stata all'avanguardia in questa evoluzione, spingendo costantemente i confini di ciò che è possibile nell'object detection in tempo reale.

L'approccio unico di YOLO tratta l'object detection come un singolo problema di regressione, prevedendo bounding box e probabilità di classe direttamente dalle immagini complete in un'unica valutazione. Questo metodo rivoluzionario ha reso i modelli YOLO significativamente più veloci rispetto ai precedenti rilevatori a due stadi, mantenendo un'elevata precisione.

Con ogni nuova versione, YOLO ha introdotto miglioramenti architetturali e tecniche innovative che hanno potenziato le prestazioni attraverso varie metriche. YOLO26 continua questa tradizione incorporando gli ultimi progressi nella ricerca di computer vision, con un'inferenza end-to-end priva di NMS e un deployment edge ottimizzato per le applicazioni del mondo reale.

FAQ

Cos'è Ultralytics YOLO e come migliora l'object detection?

Ultralytics YOLO è la serie acclamata YOLO (You Only Look Once) per l'object detection e l'image segmentation in tempo reale. Il modello più recente, YOLO26, si basa sulle versioni precedenti introducendo un'inferenza end-to-end priva di NMS e un deployment edge ottimizzato. YOLO supporta vari task di visione AI come detection, segmentation, pose estimation, tracking e classification. La sua architettura efficiente garantisce velocità e precisione eccellenti, rendendolo adatto a svariate applicazioni, inclusi dispositivi edge e API cloud.

Come posso iniziare con l'installazione e il setup di YOLO?

Iniziare con YOLO è rapido e semplice. Puoi installare il package Ultralytics utilizzando pip e iniziare in pochi minuti. Ecco un comando di installazione base:

pip install -U ultralytics

Per una guida passo-passo completa, visita la nostra pagina Quickstart. Questa risorsa ti aiuterà con le istruzioni di installazione, il setup iniziale e l'esecuzione del tuo primo modello.

Come posso addestrare un modello YOLO personalizzato sul mio dataset?

L'addestramento di un modello YOLO personalizzato sul tuo dataset comporta alcuni passaggi dettagliati:

1. Prepara il tuo dataset annotato.
2. Configura i parametri di addestramento in un file YAML.
3. Usa il comando yolo TASK train per avviare l'addestramento. (Ogni TASK ha i propri argomenti)

Ecco un esempio di codice per il task di Object Detection:

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

Per una guida dettagliata, dai un'occhiata al nostro manuale Addestra un modello, che include esempi e suggerimenti per ottimizzare il tuo processo di addestramento.

Quali sono le opzioni di licenza disponibili per Ultralytics YOLO?

Ultralytics offre due opzioni di licenza per YOLO:

• Licenza AGPL-3.0: Questa licenza open-source è ideale per uso didattico e non commerciale, promuovendo la collaborazione aperta.
• Licenza Enterprise: Questa è progettata per applicazioni commerciali, consentendo l'integrazione fluida del software Ultralytics in prodotti commerciali senza le restrizioni della licenza AGPL-3.0.

Per maggiori dettagli, visita la nostra pagina Licenze.

Come si può utilizzare Ultralytics YOLO per l'object tracking in tempo reale?

Ultralytics YOLO supporta l'object tracking multi-oggetto efficiente e personalizzabile. Per utilizzare le funzionalità di tracking, puoi usare il comando yolo track, come mostrato di seguito:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

Per una guida dettagliata su come impostare ed eseguire l'object tracking, consulta la nostra documentazione su Track Mode, che spiega la configurazione e le applicazioni pratiche in scenari in tempo reale.