Home

Ti presentiamo Ultralytics YOLO26, l'ultima versione dell'acclamato modello per il rilevamento di oggetti e la segmentazione di immagini in tempo reale. YOLO26 si basa su avanzamenti nel deep learning e nella computer vision, offrendo un'inferenza end-to-end senza NMS e un deployment ottimizzato per l'edge. Il suo design snello lo rende adatto a svariate applicazioni e facilmente adattabile a diverse piattaforme hardware, dai dispositivi edge alle API cloud. Per carichi di lavoro di produzione stabili, sono consigliati sia YOLO26 che YOLO11.

Esplora la documentazione di Ultralytics, una risorsa completa pensata per aiutarti a comprendere e utilizzare le sue funzionalità e potenzialità. Che tu sia un esperto di machine learning o un principiante del settore, questo hub mira a massimizzare il potenziale di YOLO nei tuoi progetti.

Richiedi una licenza Enterprise per uso commerciale su Ultralytics Licensing.

Da dove iniziare

YOLO: Una breve storia

YOLO (You Only Look Once), un popolare modello di rilevamento di oggetti e nella e segmentazione di immagini, è stato sviluppato da Joseph Redmon e Ali Farhadi presso l'Università di Washington. Lanciato nel 2015, YOLO ha guadagnato popolarità per la sua alta velocità e precisione.

• YOLOv2, rilasciato nel 2016, ha migliorato il modello originale incorporando la normalizzazione batch, anchor box e cluster di dimensioni.
• YOLOv3, lanciato nel 2018, ha ulteriormente migliorato le prestazioni del modello utilizzando una rete backbone più efficiente, ancore multiple e spatial pyramid pooling.
• YOLOv4 è stato rilasciato nel 2020, introducendo innovazioni come la data augmentation Mosaic, una nuova testa di rilevamento senza ancore e una nuova loss function.
• YOLOv5 ha ulteriormente migliorato le prestazioni del modello e aggiunto nuove funzionalità come l'ottimizzazione degli iperparametri, il monitoraggio integrato degli esperimenti e l'esportazione automatica verso formati comuni.
• YOLOv6 è stato reso open source da Meituan nel 2022 ed è utilizzato in molti dei robot per consegne autonome dell'azienda.
• YOLOv7 ha aggiunto task aggiuntivi come la stima della posa sul dataset di punti chiave COCO.
• YOLOv8 rilasciato nel 2023 da Ultralytics, ha introdotto nuove funzionalità e miglioramenti per prestazioni, flessibilità ed efficienza potenziate, supportando una gamma completa di task di visione artificiale.
• YOLOv9 introduce metodi innovativi come la Programmable Gradient Information (PGI) e la Generalized Efficient Layer Aggregation Network (GELAN).
• YOLOv10 creato dai ricercatori della Tsinghua University utilizzando il Ultralytics pacchetto Python, fornisce avanzamenti in rilevamento di oggetti tempo reale introducendo una testa End-to-End che elimina i requisiti di Non-Maximum Suppression (NMS).
• YOLO11: Rilasciato nel settembre 2024, YOLO11 offre prestazioni eccellenti in molteplici task, inclusi rilevamento di oggetti, segmentazione, stima della posa, tracciamento, e classificazione, consentendo l'implementazione in svariate applicazioni e domini AI.
• YOLO26 🚀: Il modello YOLO di prossima generazione di Ultralytics ottimizzato per l'implementazione edge con inferenza end-to-end senza NMS.

Licenze YOLO: Come è concesso in licenza Ultralytics YOLO?

Ultralytics offre due opzioni di licenza per soddisfare diversi casi d'uso:

• Licenza AGPL-3.0: Questa licenza open source approvata dall'OSI è ideale per studenti e appassionati, promuovendo la collaborazione aperta e la condivisione della conoscenza. Vedi il file LICENSE per maggiori dettagli.
• Licenza Enterprise: Pensata per l'uso commerciale, questa licenza consente l'integrazione fluida del software e dei modelli AI di Ultralytics in beni e servizi commerciali, bypassando i requisiti open source della AGPL-3.0. Se il tuo scenario prevede l'integrazione delle nostre soluzioni in un'offerta commerciale, contattaci tramite Ultralytics Licensing.

La nostra strategia di licenza è progettata per garantire che qualsiasi miglioramento ai nostri progetti open source venga restituito alla comunità. Crediamo nell'open source e la nostra missione è garantire che i nostri contributi possano essere utilizzati ed espansi in modi che portino benefici a tutti.

L'evoluzione del rilevamento di oggetti

Il rilevamento di oggetti si è evoluto significativamente nel corso degli anni, dalle tradizionali tecniche di computer vision ai modelli avanzati di deep learning. La famiglia di modelli YOLO è stata all'avanguardia in questa evoluzione, spingendo costantemente i confini di ciò che è possibile nel rilevamento di oggetti in tempo reale.

L'approccio unico di YOLO tratta il rilevamento di oggetti come un singolo problema di regressione, prevedendo bounding boxes e probabilità di classe direttamente da immagini complete in una singola valutazione. Questo metodo rivoluzionario ha reso i modelli YOLO significativamente più veloci rispetto ai precedenti rilevatori a due stadi, mantenendo un'elevata precisione.

Con ogni nuova versione, YOLO ha introdotto miglioramenti architettonici e tecniche innovative che hanno potenziato le prestazioni in varie metriche. YOLO26 continua questa tradizione incorporando gli ultimi avanzamenti nella ricerca sulla computer vision, offrendo un'inferenza end-to-end senza NMS e un deployment ottimizzato per l'edge per applicazioni nel mondo reale.

FAQ

Cos'è Ultralytics YOLO e come migliora il rilevamento degli oggetti?

Ultralytics YOLO è l'acclamata serie YOLO (You Only Look Once) per il rilevamento di oggetti e la segmentazione delle immagini in tempo reale. Il modello più recente, YOLO26, si basa sulle versioni precedenti introducendo un'inferenza end-to-end senza NMS e un deployment ottimizzato su edge. YOLO supporta diverse attività di AI basate sulla visione come rilevamento, segmentazione, stima della posa, tracking e classificazione. La sua architettura efficiente garantisce velocità e precisione eccellenti, rendendolo adatto a svariate applicazioni, inclusi dispositivi edge e cloud API.

Come posso iniziare con l'installazione e la configurazione di YOLO?

Iniziare con YOLO è rapido e semplice. Puoi installare il pacchetto Ultralytics usando pip ed essere operativo in pochi minuti. Ecco un comando di installazione di base:

pip install -U ultralytics

Per una guida completa passo dopo passo, visita la nostra pagina Quickstart . Questa risorsa ti aiuterà con le istruzioni di installazione, la configurazione iniziale e l'esecuzione del tuo primo modello.

Come posso addestrare un modello YOLO personalizzato sul mio dataset?

L'addestramento di un modello YOLO personalizzato sul tuo dataset prevede alcuni passaggi dettagliati:

1. Prepara il tuo dataset annotato.
2. Configura i parametri di training in un file YAML.
3. Usa il comando yolo TASK train per avviare il training. (Ogni TASK ha il proprio argomento)

Ecco un esempio di codice per l'attività di Object Detection:

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

Per una procedura dettagliata, consulta la nostra guida Addestra un modello , che include esempi e suggerimenti per ottimizzare il processo di training.

Quali sono le opzioni di licenza disponibili per Ultralytics YOLO?

Ultralytics offre due opzioni di licenza per YOLO:

• Licenza AGPL-3.0AGPL-3.0: Questa licenza open-source è ideale per scopi educativi e non commerciali, promuovendo la collaborazione aperta.
• Licenza EnterpriseLicenza Enterprise: Questa è pensata per applicazioni commerciali, consentendo l'integrazione perfetta del software Ultralytics in prodotti commerciali senza le restrizioni della licenza AGPL-3.0.

Per maggiori dettagli, visita la nostra pagina Licensing .

Come si può usare Ultralytics YOLO per il tracciamento degli oggetti in tempo reale?

Ultralytics YOLO supporta il tracciamento multi-oggetto efficiente e personalizzabile. Per utilizzare le funzionalità di tracking, puoi usare il comando yolo track , come mostrato di seguito:

from ultralytics import YOLO

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

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

Per una guida dettagliata sulla configurazione e sull'esecuzione dell'object tracking, controlla la nostra documentazione Track Mode , che spiega la configurazione e le applicazioni pratiche in scenari in tempo reale.