Детекция объектов YOLO в реальном времени
Находи и локализуй объекты на изображениях и видео с помощью моделей детекции Ultralytics YOLO26. Обучай на собственных данных, оценивай с помощью понятных метрик и развертывай в реальном времени на периферийных устройствах, в облаке и на мобильных платформах.
Модели детекции YOLO26
Детекция объектов является базовой задачей семейства YOLO26, включающего пять размеров моделей для любых сценариев — от встроенных процессоров до критичных к точности облачных рабочих нагрузок. Каждая модель обучается на твоих собственных данных с помощью того же API из трех строк и экспортируется в тот формат, который лучше всего работает на твоем железе.
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 detection model
model = YOLO("yolo26n.pt")
# Run inference
results = model("image.jpg")| Модель | Размер (пиксели) | mAP 50-95 | mAP 50-95 (e2e) | CPU ONNX (мс) | T4 TensorRT (мс) | Параметры (М) | FLOPs (Б) |
|---|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 40.1 | 38.9 ± 0.7 | 1.7 ± 0.0 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 47.8 | 87.2 ± 0.9 | 2.5 ± 0.0 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 52.5 | 220.0 ± 1.4 | 4.7 ± 0.1 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 54.4 | 286.2 ± 2.0 | 6.2 ± 0.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 56.9 | 525.8 ± 4.0 | 11.8 ± 0.2 | 55.7 | 193.9 |
Бенчмарки детекции YOLO26 из документации Ultralytics.
Нам доверяют ведущие организации мира
Влияние наших моделей
Оптимизируй процессы в различных отраслях с помощью наших передовых моделей компьютерного зрения. Скорость, точность и простота использования на базе Ultralytics.
Эволюция моделей Ultralytics YOLO
Узнай, как Ultralytics YOLO прошла путь от практического рабочего процесса YOLOv5 до готового к работе на периферийных устройствах инференса YOLO26.
Размечай до 10 раз быстрее с умной аннотацией
Платформа Ultralytics предоставляет инструмент разметки изображений для быстрого создания высококачественных наборов данных. От умной аннотации до точного ручного редактирования — эти функции созданы для сокращения времени разметки изображений без потери качества.
- Умная аннотация на базе SAM: Маски и ограничивающие прямоугольники в один клик.
- Полное покрытие задач искусственного интеллекта: Обнаружение, сегментация экземпляров, семантическая сегментация, классификация, позы, ориентированное обнаружение.
- Поддержка универсальных форматов: На выбор YOLO, COCO и другие.
- Командный просмотр и управление версиями: Четкое сотрудничество на каждом шаге.
Обучай на лучших графических процессорах дешевле
26 графических процессоров NVIDIA от $0.24/ч — от Ampere до Blackwell. Никаких наценок, никаких минимальных требований, никаких обязательств.
Развертывай где угодно
Экспортируй в 20 форматов и развертывай на периферийных устройствах, в облаке и на мобильных устройствах.
Изучи отраслевые решения
Узнай, как команды применяют компьютерное зрение Ultralytics в производственных средах.
Сельское хозяйство
Автомобильная промышленность
Здравоохранение
Логистика
Производство
Розничная торговля
Робототехника
Сельское хозяйство
Автомобильная промышленность
Здравоохранение
Логистика
Производство
Розничная торговля
Робототехника
Сельское хозяйство
Автомобильная промышленность
Здравоохранение
Логистика
Производство
Розничная торговля
Робототехника
Часто задаваемые вопросы
Обнаружение объектов определяет объекты на изображении или кадре видео и локализует каждый с помощью ограничивающей рамки и метки класса. Модели Ultralytics YOLO выполняют обнаружение за один проход, поэтому они работают в реальном времени на различном оборудовании — от периферийных устройств до облачных графических процессоров. Обнаружение является базовой задачей семейств моделей Ultralytics YOLO и отправной точкой для рабочих процессов отслеживания, подсчета и аналитики.
Ultralytics YOLO26 — это новейшее стабильное поколение и рекомендуемый выбор для новых проектов обнаружения. Его сквозная конструкция без NMS упрощает развертывание, а нано-вариант оптимизирован для вычислений на центральном процессоре и периферийных устройствах. Более ранние семейства, такие как YOLO11 и YOLOv5u, по-прежнему поддерживаются через тот же API.
Используй режим обучения библиотеки Ultralytics со своим набором данных в формате YOLO или задействуй Ultralytics Platform для разметки изображений, обучения на облачных графических процессорах и управления запусками прямо из браузера. Рекомендуется начинать с предварительно обученных весов: дообучение сходится быстрее и требует меньше данных, чем обучение с нуля.
Модели обнаружения оцениваются по точности, полноте и средней точности (mAP), вычисляемым по порогам IoU. Валидация Ultralytics автоматически сообщает эти метрики для каждого класса. Руководство по оценке моделей объясняет, как интерпретировать их и улучшить набор данных и конфигурацию обучения.
Используй режим экспорта для конвертации обученных детекторов в такие форматы, как ONNX, TensorRT, CoreML, OpenVINO и LiteRT для целевого оборудования. Конструкция без NMS в YOLO26 сохраняет экспортируемый граф простым, а режим бенчмаркинга сравнивает скорость и точность в разных форматах перед выпуском.
Создавай детекцию объектов с помощью Ultralytics
Размечай данные, обучай детекторы YOLO26 и развертывай их где угодно с помощью Платформы Ultralytics.