Gerçek zamanlı YOLO nesne tespiti
Ultralytics YOLO26 tespit modelleriyle resimlerdeki ve videolardaki nesneleri bul ve konumlandır. Kendi verilerin üzerinde eğit, net metriklerle değerlendir ve uç birimlerde, bulutta ve mobil cihazlarda gerçek zamanlı olarak dağıt.
YOLO26 tespit modelleri
Nesne tespiti, gömülü CPU'lardan doğruluk odaklı bulut iş yüklerine kadar her şeyi kapsayan beş model boyutuyla YOLO26 ailesinin temel görevidir. Her boyut, aynı üç satırlık API ile kendi verilerin üzerinde eğitilir ve donanımının en iyi çalıştırdığı forma aktarılır.
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 detection model
model = YOLO("yolo26n.pt")
# Run inference
results = model("image.jpg")| Model | Boyut (px) | mAP 50-95 | mAP 50-95 (e2e) | CPU ONNX (ms) | T4 TensorRT (ms) | Parametreler (M) | FLOP (B) |
|---|---|---|---|---|---|---|---|
| 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 |
Ultralytics belgelerinden YOLO26 algılama kıyaslamaları.
Dünyanın önde gelen kurumları tarafından güveniliyor
Modellerimizin etkisi
Son teknoloji görsel yörsel YZ modellerimizle endüstriler genelinde işreçleri iyileştir. Ultralytics tarafından desteklenen hız, doğruluk ve kolaylık.
Ultralytics YOLO modellerinin evrimi
Ultralytics YOLO'nun pratik YOLOv5 iş akışından uç kullanıma hazır YOLO26 çıkarımına nasıl evrildiğini gör.
Akıllı etiketleme ile 10 kata kadar daha hızlı etiketle
Ultralytics Platform, daha yüksek kalitede veri setlerini daha hızlı oluşturman için sana görsel etiketleme aracını sunar. Akıllı etiketlemeden hassas manuel düzenlemeye kadar bu özellikler, kaliteden ödün vermeden görsel etiketleme süresini azaltmak için tasarlanmıştır.
- SAM destekli akıllı etiketleme: Tek tıklamayla maskeler ve sınırlayıcı kutular.
- Tam YZ görev kapsamı: Tespit, örnek bölütleme, anlamsal bölütleme, sınıflandırma, poz, OBB.
- Evrensel biçim desteği: YOLO, COCO ve daha fazlası arasından seçimin.
- Ekip incelemesi ve sürümleme: Her adımda net iş birliği.
En İyi GPU'larda Daha Düşük Maliyetle Eğitim Yap
Ampere'den Blackwell'e 26 NVIDIA GPU, saatlik 0,24 $'dan başlayan fiyatlarla. Ek ücret yok, alt sınır yok, taahhüt yok.
Endüstri çözümlerini keşfet
Ekiplerin Ultralytics bilgisayarlı görüşü üretim ortamlarında nasıl uyguladığını gör.
Tarım
Otomotiv
Sağlık
Lojistik
Üretim
Perakende
Robotik
Tarım
Otomotiv
Sağlık
Lojistik
Üretim
Perakende
Robotik
Tarım
Otomotiv
Sağlık
Lojistik
Üretim
Perakende
Robotik
Sıkça sorulan sorular
Object detection, bir görüntü veya video karesindeki nesneleri tanımlar ve her birini bir sınırlayıcı kutu ile sınıf etiketiyle konumlandırır. Ultralytics YOLO modelleri, algılamayı tek bir geçişte gerçekleştirir; bu nedenle uç cihazlardan bulut GPU'larına kadar donanım üzerinde gerçek zamanlı olarak çalışırlar. Nesne tespiti, Ultralytics YOLO ailesinin temel görevi ve takip, sayım ile analitik iş akışları için başlangıç noktasıdır.
Ultralytics YOLO26, yeni nesne tespiti projeleri için önerilen en son kararlı nesnesidir ve nesnesidir. Uçtan uca ve NMS içermeyen tasarımı dağıtımı basitleştirir ve nano varyantı CPU ve uç çıkarım için optimize edilmiştir. YOLO11 ve YOLOv5u gibi önceki aileler aynı API üzerinden desteklenmeye devam etmektedir.
Veri setini YOLO formatında kullanarak Ultralytics kütüphanesinin train mode modunu kullan veya görselleri etiketlemek, bulut GPU'larında eğitmek ve çalışmaları tarayıcıdan yönetmek için Ultralytics Platform kullan. Önceden eğitilmiş ağırlıklarla başlamak önerilir: İnce ayar, sıfırdan eğitime göre daha hızlı yakınsar ve daha az veriye ihtiyaç duyar.
Nesne tespiti modelleri, IoU eşikleri üzerinden hesaplanan hassasiyet, duyarlılık ve ortalama ortalama hassasiyet (mAP) ile değerlendirilir. Ultralytics doğrulama bu metrikleri her sınıf için otomatik olarak raporlar. model evaluation guide kılavuzu, bunları nasıl yorumlayacağını ve veri setin ile eğitim kurulumunu nasıl iyileştireceğini açıklar.
Eğitilmiş dedektörleri hedef donanımın için ONNX, TensorRT, CoreML, OpenVINO ve LiteRT gibi formatlara dönüştürmek için export mode modunu kullan ve YOLO26'nın NMS içermeyen tasarımı dışarı aktarılan grafiği basit tutar, ayrıca benchmark mode modu göndermeden önce formatlar arasındaki hızı ve doğruluğu karşılaştırır.
Ultralytics ile nesne tespiti oluştur
Verileri etiketle, YOLO26 dedektörlerini eğit ve Ultralytics Platform ile bunları herhangi bir yere dağıt.