Modelos suportados pela Ultralytics

Bem-vindo à documentação de modelos da Ultralytics! Oferecemos suporte para uma ampla gama de modelos, cada um adaptado para tarefas específicas como detecção de objetos, segmentação de instâncias, classificação de imagens, estimativa de pose e rastreamento de múltiplos objetos. Se tens interesse em contribuir com a tua arquitetura de modelo para a Ultralytics, consulta o nosso Guia de Contribuição.

Modelos em destaque

Aqui estão alguns dos principais modelos suportados:

1. YOLOv3: A terceira iteração da família de modelos YOLO, originalmente de Joseph Redmon, conhecida pelas suas capacidades eficientes de detecção de objetos em tempo real.
2. YOLOv4: Uma atualização nativa do darknet para o YOLOv3, lançada por Alexey Bochkovskiy em 2020.
3. YOLOv5: Uma versão melhorada da arquitetura YOLO pela Ultralytics, oferecendo melhores compromissos de desempenho e velocidade em comparação com as versões anteriores.
4. YOLOv6: Lançado pela Meituan em 2022 e em uso em muitos dos robôs de entrega autônomos da empresa.
5. YOLOv7: Modelos YOLO atualizados, lançados em 2022 pelos autores do YOLOv4. Apenas a inferência é suportada.
6. YOLOv8: Um modelo versátil com capacidades aprimoradas, como segmentação de instâncias, estimativa de pose/keypoints e classificação.
7. YOLOv9: Um modelo experimental treinado na base de código do YOLOv5 da Ultralytics, implementando Programmable Gradient Information (PGI).
8. YOLOv10: Pela Universidade Tsinghua, apresentando treinamento sem NMS e uma arquitetura focada na eficiência e precisão, entregando desempenho e latência de ponta.
9. YOLO11: Modelos YOLO da Ultralytics que oferecem alto desempenho em múltiplas tarefas, incluindo detecção, segmentação, estimativa de pose, rastreamento e classificação.
10. YOLO26 🚀 NOVO: O mais recente modelo YOLO de próxima geração da Ultralytics, otimizado para implantação na borda com inferência de ponta a ponta sem NMS.
11. Segment Anything Model (SAM): O Segment Anything Model (SAM) original da Meta.
12. Segment Anything Model 2 (SAM2): A próxima geração do Segment Anything Model da Meta para vídeos e imagens.
13. Segment Anything Model 3 (SAM3) 🚀 NOVO: A terceira geração do Segment Anything Model da Meta com Promptable Concept Segmentation para segmentação baseada em exemplos de texto e imagem.
14. Mobile Segment Anything Model (MobileSAM): MobileSAM para aplicações móveis, pela Universidade Kyung Hee.
15. Fast Segment Anything Model (FastSAM): FastSAM pelo grupo de Análise de Imagem e Vídeo, Instituto de Automação, Academia Chinesa de Ciências.
16. YOLO-NAS: Modelos Neural Architecture Search (NAS) do YOLO.
17. Real-Time Detection Transformers (RT-DETR): Modelos Transformer de detecção em tempo real (RT-DETR) PaddlePaddle da Baidu.
18. YOLO-World: Modelos de detecção de objetos de vocabulário aberto em tempo real do Tencent AI Lab.
19. YOLOE: Um detector de objetos de vocabulário aberto aprimorado que mantém o desempenho em tempo real do YOLO enquanto detecta classes arbitrárias além dos seus dados de treinamento.

Primeiros passos: Exemplos de uso

Este exemplo fornece exemplos simples de treinamento e inferência YOLO. Para a documentação completa sobre estes e outros modos, consulte as páginas de documentação de Predict, Train, Val e Export.

Note que o exemplo abaixo destaca os modelos YOLO11 Detect para detecção de objetos. Para tarefas adicionais suportadas, consulte a documentação de Segment, Classify e 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")

Contribuindo com novos modelos

Tens interesse em contribuir com o teu modelo para a Ultralytics? Ótimo! Estamos sempre abertos a expandir o nosso portfólio de modelos.

1. Faz um Fork do Repositório: Começa fazendo um fork do repositório GitHub da Ultralytics.

2. Clona o teu Fork: Clona o teu fork para a tua máquina local e cria uma nova branch para trabalhar.

3. Implementa o teu Modelo: Adiciona o teu modelo seguindo os padrões de código e diretrizes fornecidos no nosso Guia de Contribuição.

4. Testa Exaustivamente: Certifica-te de testar o teu modelo rigorosamente, tanto isoladamente como como parte do pipeline.

5. Cria um Pull Request: Assim que estiveres satisfeito com o teu modelo, cria um pull request para o repositório principal para revisão.

6. Revisão de Código e Mesclagem: Após a revisão, se o teu modelo atender aos nossos critérios, ele será mesclado no repositório principal.

Para passos detalhados, consulta o nosso Guia de Contribuição.

FAQ

Qual é o modelo YOLO mais recente da Ultralytics?

O modelo YOLO mais recente da Ultralytics é o YOLO26, lançado em janeiro de 2026. O YOLO26 apresenta inferência de ponta a ponta sem NMS, implantação otimizada na borda e suporta todas as cinco tarefas (detecção, segmentação, classificação, estimativa de pose e OBB), além de versões de vocabulário aberto. Para cargas de trabalho de produção estáveis, tanto o YOLO26 quanto o YOLO11 são escolhas recomendadas.

Como posso treinar um modelo YOLO com dados personalizados?

O treinamento de um modelo YOLO com dados personalizados pode ser facilmente realizado usando as bibliotecas da Ultralytics. Aqui tens um exemplo rápido:

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)

Para instruções mais detalhadas, visita a página de documentação Train.

Quais versões do YOLO são suportadas pela Ultralytics?

A Ultralytics suporta uma gama abrangente de versões do YOLO (You Only Look Once), desde o YOLOv3 até ao YOLO11, juntamente com modelos como YOLO-NAS, SAM e RT-DETR. Cada versão é otimizada para várias tarefas, como detecção, segmentação e classificação. Para informações detalhadas sobre cada modelo, consulta a documentação Modelos Suportados pela Ultralytics.

Por que devo usar a Plataforma Ultralytics para projetos de machine learning?

A Plataforma Ultralytics fornece uma plataforma completa de ponta a ponta, sem necessidade de código, para treinar, implantar e gerenciar modelos YOLO. Ela simplifica fluxos de trabalho complexos, permitindo que os usuários se concentrem no desempenho do modelo e na aplicação. O HUB também oferece capacidades de treinamento em nuvem, gerenciamento abrangente de conjuntos de dados e interfaces fáceis de usar tanto para iniciantes quanto para desenvolvedores experientes.

Que tipos de tarefas os modelos YOLO da Ultralytics podem realizar?

Os modelos YOLO da Ultralytics são versáteis e podem realizar tarefas incluindo detecção de objetos, segmentação de instâncias, classificação, estimativa de pose e detecção de objetos orientados (OBB). O modelo mais recente, YOLO26, suporta todas as cinco tarefas, além de detecção de vocabulário aberto. Para detalhes sobre tarefas específicas, consulta as páginas de Tarefas.