Ultralytics YOLO

Модели Ultralytics YOLO

Создавай решения на базе ИИ для компьютерного зрения с моделями Ultralytics YOLO, обеспечивающими быстрый и точный анализ изображений и видео в реальном времени с помощью эффективных задач компьютерного зрения.

Запросить лицензию Начать

Нам доверяют ведущие организации мира

Попробовать инференс YOLO26

Перетащи изображение сюда или выбери пример, чтобы увидеть обнаружение объектов в реальном времени

Входное изображение

Загрузи изображение или выбери пример для тестирования YOLO26n. Документация по предсказаниям

Демонстрация в реальном времени

Перетащи изображение сюда

или нажми, чтобы выбрать файл

Поддерживаются JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP и другие форматы (макс. 10 МБ)

Или попробуй пример

Уверенность

0.25

IoU

0.70

Размер изображения

640

Результаты предсказания появятся здесь.

Разверни свою модель, чтобы получить выделенную конечную точку инференса с аутентификацией по API-ключу, а затем замени расположенные ниже URL и ключ-заполнитель данными своего развертывания. Документация по развертыванию

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())

Влияние наших моделей

Оптимизируй процессы в различных отраслях с помощью наших передовых моделей компьютерного зрения на основе AI. Скорость, точность и удобство использования обеспечиваются Ultralytics.

—

Звезд на GitHub

—

Загрузок

—

Использований Ultralytics YOLO в день

—

Участников разработки с открытым исходным кодом

Эволюция моделей YOLO

От оригинальной архитектуры YOLO до Ultralytics YOLO26 семейство моделей продолжает совершенствовать рабочие процессы компьютерного зрения в реальном времени.

2015

YOLO

Разработана Джозефом Редмоном и его командой.

2016

YOLOv2

Создана Джозефом Редмоном и Али Фархади.

2018

YOLOv3

Разработана Джозефом Редмоном и Али Фархади.

2018

YOLOv4

Разработана Алексеем Бочковским и его командой.

2020

Ultralytics YOLOv5

YOLOv5 изменила подход к обнаружению объектов, обеспечив высокую скорость и точность, а также удобную реализацию на PyTorch.

2022

YOLOv6

Представлена компанией Meituan и ее командой.

2022

YOLOv7

Выпущена Чиэн-Яо Вангом и его командой.

2023

Ultralytics YOLOv8

YOLOv8 расширила поддержку до сегментации экземпляров, классификации, оценки позы и других ключевых задач компьютерного зрения.

2024

YOLOv9

Разработана Чиэн-Яо Вангом и его командой.

2024

YOLOv10

Разработана Ао Вангом для Университета Цинхуа.

2024

Ultralytics YOLO11

YOLO11 повысила точность, прецизионность и скорость, сохранив привычный рабочий процесс Ultralytics.

2026

Ultralytics YOLO26

YOLO26 легче, компактнее и быстрее, а вариант nano обеспечивает до 43% более быстрый вывод на CPU.

Модели Ultralytics YOLO: краткий обзор

Сравни последние семейства моделей Ultralytics YOLO по скорости, точности и поддерживаемым задачам компьютерного зрения.

Возможности
Скорость Время обработки изображения	0,54 мс	0,47 мс	0,56 мс	0,67 мс	0,62 мс
Точность mAP50-95	34.3%	37.3%	39.5%	40.9%	42,3%
Обнаружение объектов
Сегментация экземпляров	-
Семантическая сегментация	-		-