Ultralytics YOLO

Modèles Ultralytics YOLO

Propulse des solutions d’IA visuelle avec les modèles Ultralytics YOLO, qui permettent une analyse rapide et précise des images et des vidéos en temps réel grâce à des tâches de vision par ordinateur efficaces.

Demander une licence Commencer

La confiance des organisations les plus importantes au monde

Essayer l’inférence YOLO26

Glisse-dépose une image pour voir la détection d'objets en temps réel

Image d'entrée

Importe une image ou sélectionne un exemple à tester YOLO26n. Documentation de prédiction

Démo en direct

Dépose une image ici

ou clique pour parcourir

Prend en charge JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP et plus (10 Mo max.)

Ou essaie un exemple

Confiance

0.25

IoU

0.70

Taille de l'image

640

Les résultats de prédiction apparaîtront ici.

Déploie ton modèle pour obtenir un endpoint d'inférence dédié avec une authentification par clé API — puis remplace ci-dessous l'URL et la clé d'espace réservé par les valeurs de ton déploiement. Documentation du déploiement

import requests

# Deployment URL and API key
url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"

# Optional inference parameters (conf, iou, imgsz)
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())

L’impact de nos modèles

Rationalise les processus dans tous les secteurs grâce à nos modèles de vision IA de pointe. Vitesse, précision et simplicité d’utilisation optimisées par Ultralytics.

—

Étoiles GitHub

—

Téléchargements

—

Utilisations d’Ultralytics YOLO / jour

—

Contributeurs open source

L’évolution des modèles YOLO

De l’architecture YOLO d’origine à Ultralytics YOLO26, la famille de modèles n’a cessé d’améliorer les workflows de vision par ordinateur en temps réel.

2015

YOLO

Développé par Joseph Redmon et son équipe.

2016

YOLOv2

Créé par Joseph Redmon et Ali Farhadi.

2018

YOLOv3

Développé par Joseph Redmon et Ali Farhadi.

2018

YOLOv4

Développé par Alexey Bochkovskiy et son équipe.

2020

Ultralytics YOLOv5

YOLOv5 a redéfini la détection d’objets grâce à des performances rapides et précises ainsi qu’à une implémentation PyTorch conviviale.

2022

YOLOv6

Présenté par Meituan et son équipe.

2022

YOLOv7

Publié par Chien-Yao Wang et son équipe.

2023

Ultralytics YOLOv8

YOLOv8 a étendu la prise en charge à la segmentation d’instances, à la classification, à l’estimation de pose et à d’autres tâches essentielles de vision.

2024

YOLOv9

Développé par Chien-Yao Wang et son équipe.

2024

YOLOv10

Conçu par Ao Wang pour l’université Tsinghua.

2024

Ultralytics YOLO11

YOLO11 a amélioré la précision, l’exactitude et la vitesse tout en préservant le workflow Ultralytics familier.

2026

Ultralytics YOLO26

YOLO26 est plus léger, plus compact et plus rapide, sa variante nano offrant jusqu’à 43 % d’inférence plus rapide sur CPU.

Les modèles Ultralytics YOLO en un coup d’œil

Compare les dernières familles de modèles Ultralytics YOLO en termes de vitesse, de précision et de tâches de vision prises en charge.

Fonctionnalités
Vitesse Temps de traitement de l’image	0,54 ms	0,47 ms	0,56 ms	0,67 ms	0,62 ms
Précision mAP50-95	34,3 %	37,3 %	39,5 %	40,9 %	42,3 %
Détection d’objets
Segmentation d’instances	-
Segmentation sémantique	-		-
Estimation de profondeur	-	-	-
Classification d’images	-
Estimation de pose	-
Détection OBB	-