Modèles pris en charge par Ultralytics#
Bienvenue dans la documentation des modèles Ultralytics ! Nous prenons en charge un large éventail de modèles, chacun adapté à des tâches spécifiques comme la détection d'objets, la segmentation d'instances, la segmentation sémantique, l'estimation de profondeur, la classification d'images, l'estimation de pose et les boîtes englobantes orientées. Si tu souhaites contribuer à Ultralytics avec ton architecture de modèle, consulte notre Guide de contribution.
Modèles à la une#
Commence par YOLO26 pour un nouveau projet : il s'agit de la dernière version d'Ultralytics et de la seule à couvrir les sept tâches. YOLO11 est l'alternative mature, avec des points de contrôle préentraînés pour chacune de ses cinq tâches. Choisis une famille spécialisée uniquement si tu as besoin d'une segmentation guidée par des prompts (SAM 3), d'une détection à vocabulaire ouvert (YOLOE, YOLO-World) ou d'un détecteur basé sur un transformer (RT-DETR).
YOLO27 fait l'objet de travaux de R&D finaux en vue d'un lancement prévu plus tard cette année, sans date fixe. Découvre son architecture, ses sept tâches prévues et ses benchmarks préliminaires. Les poids des modèles et la prise en charge des packages ne sont pas encore disponibles ; utilise YOLO26 pour tes projets actuels.
Le tableau répertorie les modèles sortis et les références d'architecture avec leurs tâches, les modes train, val, predict et export pris en charge, ainsi que les cas d'utilisation recommandés. Track n'est pas répertorié séparément : il s'exécute au-dessus de predict pour les modèles Detect, Segment, Pose et OBB, tandis que SAM 2 et SAM 3 assurent le suivi via leurs propres prédicteurs vidéo. Benchmark n'est pas non plus répertorié, car il encapsule export et val à travers les formats plutôt que d'ajouter sa propre prise en charge.
| Modèle | Tâches | Modes | À choisir pour |
|---|---|---|---|
| YOLO26 🚀 NOUVEAU | Détection, segmentation, sémantique, profondeur, classification, pose, OBB | Train, Val, Predict, Export | Nouveaux projets : inférence sans NMS optionnelle, déploiement optimisé pour la périphérie et couverture de tâches la plus large |
| YOLO12 | Détection, segmentation, classification, pose, OBB | Train, Val, Predict, Export | Évaluer la version communautaire axée sur l'attention ; les poids préentraînés couvrent uniquement la détection |
| YOLO11 | Détection, segmentation, classification, pose, OBB | Train, Val, Predict, Export | Charges de production stables, avec des points de contrôle préentraînés pour chaque tâche prise en charge |
| YOLOv10 | Détection | Train, Val, Predict, Export | Recherche sur la détection sans NMS de l'université Tsinghua |
| YOLOv9 | Détection, segmentation | Train, Val, Predict, Export | Informations de gradient programmables (PGI), implémentées sur la base de code YOLOv5 d'Ultralytics |
| YOLOv8 | Détection, segmentation, classification, pose, OBB | Train, Val, Predict, Export | Pipelines YOLOv8 existants et intégrations tierces établies |
| YOLOv7 | Détection | Prédiction | Exécuter une exportation YOLOv7 entraînée en amont : le paquet effectue les prédictions à partir d'un modèle ONNX ou TensorRT compatible, jamais à partir du point de contrôle natif |
| YOLOv6 | Détection | Train, Val, Predict, Export | Entraîner l'architecture de Meituan à partir de son fichier YAML ; Ultralytics n'héberge aucun point de contrôle YOLOv6 .pt |
| YOLOv5 | Détection | Train, Val, Predict, Export | Projets Ultralytics historiques ; les versions actuelles chargent les points de contrôle YOLOv5u mis à jour |
| YOLOv4 | Aucun | Aucun | Référence d'architecture uniquement : le modèle natif Darknet d'Alexey Bochkovskiy n'est pas pris en charge par le paquet |
| YOLOv3 | Détection | Train, Val, Predict, Export | Projets historiques basés sur l'architecture originale de Joseph Redmon ; les versions actuelles chargent les points de contrôle YOLOv3u mis à jour |
| SAM 3 🚀 NOUVEAU | Segmentation | Prédiction | La segmentation conceptuelle promptable d'images et de vidéos de Meta, à partir de texte ou d'exemples d'images ; sam3.pt et SAM 3.1 sam3.1_multiplex.pt (images) nécessitent une approbation d'accès sur Hugging Face |
| SAM 2 | Segmentation | Prédiction | Segmentation guidée par des prompts de Meta, avec suivi des objets entre les images vidéo |
| SAM | Segmentation | Prédiction | Segmentation guidée par des prompts originale de Meta, avec notamment l'auto-annotation |
| MobileSAM | Segmentation | Prédiction | Segmentation guidée par des prompts sur mobile et autres appareils aux ressources limitées (université Kyung Hee) |
| FastSAM | Segmentation | Val, Predict, Export | Segmentation guidée par des prompts basée sur un CNN lorsque la latence de SAM constitue le goulot d'étranglement (Académie chinoise des sciences) |
| YOLO-NAS | Détection | Val, Predict, Export | Détecteurs optimisés par NAS de Deci, conservés pour l'inférence et l'exportation ; Deci ne les maintient plus depuis son acquisition par NVIDIA |
| RT-DETR | Détection | Train, Val, Predict, Export | Détecteur DETR en temps réel de Baidu : un backbone convolutionnel avec un encodeur transformer hybride |
| YOLO-World | Détection | Train, Val, Predict, Export | Détection à vocabulaire ouvert à partir de prompts textuels (Tencent AI Lab) ; l'exportation nécessite les points de contrôle -worldv2 |
| YOLOE | Détection, segmentation | Train, Val, Predict, Export | Détection et segmentation à vocabulaire ouvert avec inférence textuelle, visuelle ou sans prompt |
Ultralytics fournit également LLM, une interface compatible avec OpenAI pour les grands modèles de langage et de vision dédiés à la compréhension du texte et des images. Il ne possède ni tâches ni modes propres : il ne figure donc pas dans le tableau ci-dessus, mais s'associe à n'importe quel pipeline YOLO et s'exécute avec OpenAI et d'autres fournisseurs cloud, ou sur un serveur local entièrement sur site.
Watch: Run Ultralytics YOLO models in just a few lines of code.
Premiers pas : exemples d'utilisation#
Cet exemple fournit des exemples simples d'entraînement et d'inférence YOLO. Pour consulter la documentation complète sur ces modes et les autres modes, consulte les pages de documentation Predict, Train, Val et Export.
Note que l'exemple ci-dessous met en avant les modèles YOLO26 Detect pour la détection d'objets. Pour découvrir les autres tâches prises en charge, consulte la documentation Segment, Semantic, Depth, Classify, Pose et OBB.
Les modèles *.pt préentraînés PyTorch, ainsi que les fichiers de configuration *.yaml, peuvent être transmis aux classes YOLO(), SAM(), NAS() et RTDETR() pour créer une instance de modèle en Python :
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 avec de nouveaux modèles#
Tu souhaites contribuer à Ultralytics avec ton modèle ? Super ! Nous sommes toujours prêts à élargir notre portefeuille de modèles.
-
Forker le dépôt : commence par forker le dépôt GitHub d'Ultralytics.
-
Cloner ton fork : clone ton fork sur ta machine locale et crée une nouvelle branche pour travailler.
-
Implémenter ton modèle : ajoute ton modèle en suivant les normes et directives de codage fournies dans notre Guide de contribution.
-
Tester rigoureusement : veille à tester ton modèle de manière approfondie, à la fois de façon isolée et dans le pipeline.
-
Créer une pull request : une fois satisfait de ton modèle, crée une pull request vers le dépôt principal pour examen.
-
Réviser et fusionner le code : après examen, si ton modèle répond à nos critères, il sera fusionné dans le dépôt principal.
Pour connaître les étapes détaillées, consulte notre Guide de contribution.
FAQ#
Le tout dernier modèle Ultralytics YOLO sorti est YOLO26, publié en janvier 2026. YOLO26 propose une inférence de bout en bout optionnelle sans NMS, un déploiement optimisé en périphérie, et prend en charge la détection, la segmentation d'instance, la semantic segmentation, l'depth estimation, la classification, l'estimation de pose et l'OBB ainsi que des versions à vocabulaire ouvert. Pour les charges de travail de production stables, YOLO26 et YOLO11 sont tous deux des choix recommandés.
YOLO27 est la prochaine famille, actuellement en phase finale de R&D. Ce modèle n'est pas encore disponible et n'a pas de date de lancement fixée.
Ultralytics prend nativement en charge YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 et YOLO26, ainsi que la famille SAM (SAM 3, SAM 2, SAM, MobileSAM et FastSAM), YOLO-NAS, RT-DETR, YOLO-World et YOLOE. Le paquet ne publie aucun poids ni fichier YAML pour YOLOv4 ou YOLOv7 : YOLOv4 est documenté uniquement comme référence d'architecture, tandis que YOLOv7 s'exécute comme modèle ONNX ou TensorRT exporté. Consulte Modèles à la une pour connaître les tâches et les modes disponibles pour chacun.
Ultralytics Platform fournit une plateforme de bout en bout sans code pour entraîner, déployer et gérer des modèles YOLO. Elle simplifie les workflows complexes afin de te permettre de te concentrer sur les performances du modèle et de l'application. Elle propose également des capacités d'entraînement cloud, une gestion complète des jeux de données et des interfaces conviviales pour les débutants comme pour les développeurs expérimentés.
Les modèles YOLO d'Ultralytics sont polyvalents et peuvent effectuer des tâches comme la détection d'objets, la segmentation d'instances, la segmentation sémantique, l'estimation de profondeur, la classification, l'estimation de pose et la détection d'objets orientés (OBB). Le dernier modèle, YOLO26, prend en charge les sept tâches ainsi que la détection à vocabulaire ouvert. Pour plus de détails sur les tâches spécifiques, consulte les pages des tâches.
L'entraînement d'un modèle YOLO sur des données personnalisées peut être réalisé facilement avec les bibliothèques d'Ultralytics. Voici un exemple rapide :
Pour obtenir des instructions plus détaillées, consulte la page de documentation Train.