Обнаружение объектов в реальном времени с YOLO
Находи объекты на изображениях и видео с помощью моделей обнаружения Ultralytics YOLO26. Обучай модели на собственных данных, оценивай их по понятным метрикам и развёртывай в реальном времени на периферийных устройствах, в облаке и на мобильных устройствах.
Модели обнаружения объектов YOLO26
Обнаружение объектов — базовая задача семейства YOLO26. Пять размеров моделей охватывают широкий диапазон устройств: от встроенных CPU до облачных систем, где точность критически важна. Каждую модель можно обучить на собственных данных через один и тот же API из трёх строк кода и экспортировать в формат, оптимальный для твоего оборудования.
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 detection model
model = YOLO("yolo26n.pt")
# Run inference
results = model("image.jpg")| Модель | Размер (пикс.) | mAP 50–95 | mAP 50-95 (e2e) | CPU ONNX (мс) | T4 TensorRT (мс) | Параметры (млн) | FLOPs (млрд) |
|---|---|---|---|---|---|---|---|
| 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 |
Результаты тестирования YOLO26 для обнаружения объектов из документации Ultralytics.
Нам доверяют ведущие организации мира
Влияние наших моделей
Оптимизируй процессы в разных отраслях с помощью наших передовых моделей компьютерного зрения на базе ИИ. Скорость, точность и простота использования — всё это обеспечивают технологии Ultralytics.
Эволюция моделей Ultralytics YOLO
Узнай, как Ultralytics YOLO прошла путь от практичного рабочего процесса YOLOv5 до инференса YOLO26 на периферийных устройствах.
Размечай данные до 10 раз быстрее с помощью интеллектуальной аннотации
Ultralytics Platform предоставляет инструмент аннотации изображений, который помогает быстрее создавать качественные наборы данных. От интеллектуальной аннотации до точного ручного редактирования — эти функции сокращают время разметки изображений без потери качества.
- Интеллектуальная аннотация на базе SAM:Маски и ограничивающие рамки одним щелчком.
- Полный охват задач ИИ:Обнаружение объектов, сегментация экземпляров, семантическая сегментация, классификация, оценка позы, OBB.
- Поддержка универсальных форматов:Выбирай YOLO, COCO и другие форматы.
- Командная проверка и управление версиями:Понятное взаимодействие на каждом этапе.
Обучай на лучших GPU дешевле
26 GPU NVIDIA от $0,24 в час — от Ampere до Blackwell. Без наценок, минимальных заказов и обязательств.
Развёртывай где угодно
Экспортируй в 22 формата и развёртывай на периферийных устройствах, в облаке и на мобильных устройствах.
Решения для разных отраслей
Узнай, как команды применяют компьютерное зрение Ultralytics в производственной среде.
Сельское хозяйство
Автомобилестроение
Здравоохранение
Логистика
Производство
Розничная торговля
Робототехника
Часто задаваемые вопросы
Обнаружение объектов определяет объекты на изображении или кадре видео и локализует каждый из них с помощью ограничивающей рамки и метки класса. Модели Ultralytics YOLO обнаруживают объекты за один проход, поэтому работают в реальном времени на оборудовании от периферийных устройств до облачных GPU. Обнаружение — базовая задача семейства Ultralytics YOLO и отправная точка для рабочих процессов отслеживания, подсчёта и аналитики.
Ultralytics YOLO26 — новейшее стабильное поколение и рекомендуемый выбор для новых проектов по обнаружению объектов. Сквозная архитектура без NMS упрощает развёртывание, а вариант nano оптимизирован для инференса на CPU и периферийных устройствах. Предыдущие семейства, например YOLO11 и YOLOv5u, по-прежнему поддерживаются через тот же API.
Используй режим train библиотеки Ultralytics со своим датасетом в формате YOLO или воспользуйся Ultralytics Platform, чтобы аннотировать изображения, обучать модели на облачных GPU и управлять запусками в браузере. Рекомендуется начинать с предварительно обученных весов: тонкая настройка сходится быстрее и требует меньше данных, чем обучение с нуля.
Модели обнаружения оценивают по точности, полноте и усреднённой средней точности (mAP), рассчитанной для разных порогов IoU. Валидация Ultralytics автоматически сообщает эти метрики для каждого класса. В руководстве по оценке моделей объясняется, как интерпретировать результаты и улучшить датасет и настройки обучения.
Используй режим export, чтобы преобразовать обученные модели обнаружения в такие форматы, как ONNX, OpenVINO, TensorRT, CoreML и LiteRT, для целевого оборудования. Архитектура YOLO26 без NMS упрощает экспортированный граф, а режим benchmark сравнивает скорость и точность в разных форматах перед выпуском.
Создавай решения для обнаружения объектов с Ultralytics
Аннотируй данные, обучай модели обнаружения YOLO26 и развёртывай их где угодно с помощью Ultralytics Platform.