ultralytics README

The project's README from github.com/ultralytics/ultralytics. As one markdown file: README.md.

Ultralytics YOLO banner

中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية

Ultralytics CI Ultralytics Downloads Ultralytics Discord Ultralytics Forums Ultralytics Reddit
Run Ultralytics on Gradient Open Ultralytics In Colab Open Ultralytics In Kaggle Open Ultralytics In Binder

ultralytics%2Fultralytics | Trendshift

Ultralytics creates cutting-edge, state-of-the-art (SOTA) YOLO models built on years of foundational research in computer vision and AI. Constantly updated for performance and flexibility, our models are fast, accurate, and easy to use. They excel at object detection, instance segmentation, semantic segmentation, depth estimation, image classification, pose estimation, and oriented object detection tasks, and can track detected objects across video frames.

Find detailed documentation in the Ultralytics Docs. Get support via GitHub Issues. Join discussions on Discord, Reddit, and the Ultralytics Community Forums!

Request an Enterprise License for commercial use at Ultralytics Licensing.

YOLO26 performance plots
Ultralytics GitHub space Ultralytics LinkedIn space Ultralytics Twitter space Ultralytics YouTube space Ultralytics TikTok space Ultralytics BiliBili space Ultralytics Discord

📄 Documentation

See below for quickstart installation and usage examples. For comprehensive guidance on training, validation, prediction, and deployment, refer to our full Ultralytics Docs.

Install

Install the ultralytics package, including all requirements, in a Python>=3.8 environment with PyTorch>=1.8.

PyPI - Version Ultralytics Downloads PyPI - Python Version

pip install ultralytics

For alternative installation methods, including Conda, Docker, and building from source via Git, please consult the Quickstart Guide.

Conda Version Docker Image Version Ultralytics Docker Pulls

Usage

CLI

You can use Ultralytics YOLO directly from the Command Line Interface (CLI) with the yolo command:

# Predict using a pretrained YOLO model (e.g., YOLO26n) on an image
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

The yolo command supports various tasks and modes, accepting additional arguments like imgsz=640. Explore the YOLO CLI Docs for more examples.

Python

Ultralytics YOLO can also be integrated directly into your Python projects. It accepts the same configuration arguments as the CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 100 epochs
train_results = model.train(
    data="coco8.yaml",  # Path to dataset configuration file
    epochs=100,  # Number of training epochs
    imgsz=640,  # Image size for training
    device="cpu",  # Device to run on (e.g., 'cpu', 0, [0,1,2,3])
)

# Evaluate the model's performance on the validation set
metrics = model.val()

# Perform object detection on an image
results = model("path/to/image.jpg")  # Predict on an image
results[0].show()  # Display results

# Export the model to ONNX format for deployment
path = model.export(format="onnx")  # Returns the path to the exported model

Discover more examples in the YOLO Python Docs.

✨ Models

Ultralytics supports a wide range of YOLO models, from early versions like YOLOv3 to the latest YOLO26. The tables below showcase YOLO26 models pretrained on COCO for Detection, Segmentation, and Pose Estimation. Semantic Segmentation models are pretrained on Cityscapes, Depth Estimation models are pretrained on a broad multi-dataset mix and evaluated on NYU Depth V2, Classification models are pretrained on ImageNet, and OBB models are pretrained on DOTAv1. Tracking mode is compatible with Detection, Segmentation, Pose, and OBB models. All Models download automatically from the latest Ultralytics release on first use.

Ultralytics YOLO supported tasks

Detection (COCO)

Explore the Detection Docs for usage examples. These models are trained on the COCO dataset, featuring 80 object classes.

Model size
(pixels)		 mAPval
50-95		 mAPval
50-95(e2e)		 Speed
CPU ONNX
(ms)		 Speed
T4 TensorRT10
(ms)		 params
(M)		 FLOPs
(B)
YOLO26n 640 40.9 40.1 38.9 ± 0.7 1.7 ± 0.0 2.4 5.5
YOLO26s 640 48.6 47.8 87.2 ± 0.9 2.5 ± 0.0 9.5 20.9
YOLO26m 640 53.1 52.5 220.0 ± 1.4 4.7 ± 0.1 20.4 68.4
YOLO26l 640 55.0 54.4 286.2 ± 2.0 6.2 ± 0.2 24.8 86.8
YOLO26x 640 57.5 56.9 525.8 ± 4.0 11.8 ± 0.2 55.7 194.4
  • mAPval values refer to single-model single-scale performance on the COCO val2017 dataset. See YOLO Performance Metrics for details.
    Reproduce with yolo val detect data=coco.yaml device=0
  • Speed metrics are averaged over COCO val images using an Amazon EC2 P4d instance. CPU speeds measured with ONNX export. GPU speeds measured with TensorRT export.
    Reproduce with yolo val detect data=coco.yaml batch=1 device=0|cpu
Segmentation (COCO)

Refer to the Segmentation Docs for usage examples. These models are trained on COCO-Seg, including 80 classes.

Model size
(pixels)		 mAPbox
50-95(e2e)		 mAPmask
50-95(e2e)		 Speed
CPU ONNX
(ms)		 Speed
T4 TensorRT10
(ms)		 params
(M)		 FLOPs
(B)
YOLO26n-seg 640 39.6 33.9 53.3 ± 0.5 2.1 ± 0.0 2.7 9.3
YOLO26s-seg 640 47.3 40.0 118.4 ± 0.9 3.3 ± 0.0 10.4 34.5
YOLO26m-seg 640 52.5 44.1 328.2 ± 2.4 6.7 ± 0.1 23.6 121.7
YOLO26l-seg 640 54.4 45.5 387.0 ± 3.7 8.0 ± 0.1 28.0 140.1
YOLO26x-seg 640 56.5 47.0 787.0 ± 6.8 16.4 ± 0.1 62.8 314.0
  • mAPval values are for single-model single-scale on the COCO val2017 dataset. See YOLO Performance Metrics for details.
    Reproduce with yolo val segment data=coco.yaml device=0
  • Speed metrics are averaged over COCO val images using an Amazon EC2 P4d instance. CPU speeds measured with ONNX export. GPU speeds measured with TensorRT export.
    Reproduce with yolo val segment data=coco.yaml batch=1 device=0|cpu
Semantic Segmentation (Cityscapes)

See the Semantic Segmentation Docs for usage examples. These models are trained on Cityscapes, including 19 classes.

Model size
(pixels)		 mIoUval Speed
RTX3090 PyTorch
(ms)		 params
(M)		 FLOPs
(B)
YOLO26n-sem 1024 × 2048 78.3 4.4 ± 0.0 1.6 23.8
YOLO26s-sem 1024 × 2048 80.8 8.4 ± 0.0 6.5 91.0
YOLO26m-sem 1024 × 2048 82.0 19.9 ± 0.1 14.3 305.5
YOLO26l-sem 1024 × 2048 82.9 26.5 ± 0.1 17.8 388.2
YOLO26x-sem 1024 × 2048 83.6 48.9 ± 0.2 40.1 866.9
  • mIoUval values are for single-model single-scale on the Cityscapes validation set.
    Reproduce with yolo semantic val data=cityscapes.yaml device=0 imgsz=2048
  • Speed metrics are averaged over Cityscapes validation images using an RTX3090 instance.
    Reproduce with `yol

ultralytics (ultralytics/ultralytics)

Searching Database…

62.6K ·GitHub
Ultralytics
Что это такое?Ultralytics YOLO — это семейство современных моделей компьютерного зрения (YOLO26, YOLO11, YOLOv8 и др.), которые умеют обнаруживать объекты, выполнять сегментацию экземпляров, семантическую сегментацию, классификацию изображений, оценку позы, обнаружение повёрнутых объектов, оценку глубины и отслеживание нескольких объектов в видео.
Это библиотека Python или отдельное приложение?Это пакет Python, который устанавливается через pip и даёт как инструмент командной строки (команда 'yolo'), так и программный интерфейс на Python; отдельного графического приложения нет.
Как начать пользоваться?Установите пакет ultralytics через pip, а затем запускайте задачи либо через командную строку yolo (например, 'yolo predict ...'), либо импортировав его в скрипт Python с теми же аргументами.
Что нужно установить заранее?Нужны Python 3.8+ и PyTorch 1.8+; в качестве альтернативы предлагаются установка через Conda, Docker или сборка из исходного кода через Git.
Предобученные модели работают сразу, без настройки?Да — веса каждой модели автоматически скачиваются из последнего релиза Ultralytics при первом использовании; они предобучены на стандартных наборах данных (COCO, Cityscapes, ImageNet, DOTAv1) в зависимости от задачи.
Можно ли использовать это в коммерческих целях бесплатно?Код распространяется под лицензией AGPL-3.0, которая бесплатна для использования в открытых проектах, но для закрытых коммерческих решений Ultralytics требует покупки отдельной корпоративной лицензии (Enterprise License).
Какие задачи действительно могут решать модели YOLO?Обнаружение объектов, сегментацию экземпляров, семантическую сегментацию, классификацию, оценку позы, обнаружение повёрнутых объектов, оценку глубины и отслеживание нескольких объектов в кадрах видео — всё через один и тот же пакет.
Что нового в YOLO26 по сравнению с YOLO11 или YOLOv8?YOLO26 — новейшее семейство моделей от Ultralytics с отдельными вариантами для обнаружения, сегментации, оценки позы и семантической сегментации; в README её результаты сравниваются напрямую с YOLO11 и YOLOv8 по тем же таблицам mAP и скорости.
Могу ли я сам воспроизвести цифры из бенчмарков?Да: в каждой таблице результатов указана точная команда CLI, например 'yolo val detect data=coco.yaml device=0', так что можно повторить ту же оценку у себя локально.
What are similar projects?yolov5, X-AnyLabeling, yolov7, cvat, detectron2, yolov3, deep-learning-for-image-processing, Swin-Transformer
Which topics is it in?instance-segmentation, semantic-segmentation, tracking, yolo, pose-estimation, image-classification, object-detection, onnx, agpl, nvidia, computer-vision, cuda
Creator
ultralytics
Size
62 MB
Stars
62.6K
Updated
CommitOct 16Releasev8.4.178Oct 16
Age
4y
Commits · 90 Days