Vers où se dirige Ultralytics
Des modèles qui ont apporté l'IA de vision en temps réel à des millions de personnes aux sorties à venir. Voici ce que nous avons publié et ce qui arrive ensuite.
La version qui a apporté la détection d'objets en temps réel à des millions d'utilisateurs — native PyTorch, rapide et remarquablement facile à entraîner.
Un framework unique pour la détection, la segmentation, la classification, l'estimation de pose et les boîtes englobantes orientées.
Une architecture affinée offrant une plus grande précision avec moins de paramètres, dévoilée lors d'Ultralytics YOLO Vision 2024.
Notre modèle recommandé actuel — plus rapide, plus précis et prêt pour la production pour chaque tâche de vision.
La plateforme de bout en bout pour annoter tes données, entraîner tes modèles YOLO et les déployer dans 42 régions du monde — tout au même endroit.
Nos premiers modèles de segmentation sémantique — étiquettes de classe denses par pixel pour une compréhension complète de la scène.
Une bibliothèque d'inférence YOLO haute performance et une CLI écrites en Rust, exécutant des modèles sur ONNX Runtime derrière une API conçue pour correspondre au package Python d'Ultralytics.
Exécute tes modèles YOLO directement dans le navigateur, sans serveur et sans Python. Il tourne sur WebGPU avec un repli automatique sur le CPU et wasm, derrière une petite API TypeScript alimentée par le crate Rust compilé en WebAssembly.
Le document de recherche derrière YOLO26 — détaillant sa conception de bout en bout sans NMS, le nouvel optimiseur MuSGD, et un compromis précision-latence à la pointe de la technologie sur les cinq échelles de modèle.
Suivi multi-objets plus rapide et plus précis — des identités plus stables malgré les occlusions et les scènes encombrées pour la vidéo en conditions réelles.
- Re-ID — la ré-identification maintient la cohérence des identités d'objets à travers les caméras et après les occlusions
La distillation de connaissances intégrée compresse les grands modèles enseignants en modèles étudiants plus petits et plus rapides tout en aidant à préserver la précision pour un déploiement efficace en périphérie et en temps réel.
Les modèles de profondeur YOLO26 prédisent des cartes de distance denses par pixel à partir d'une simple caméra RVB, ajoutant une perception spatiale 3D sans avoir besoin de capteurs de profondeur spécialisés ou de lidar.
Ultralytics YOLO Vision 2026
La prochaine génération phare de YOLO, dévoilée en direct à Ultralytics YOLO Vision 2026, qui élargit la famille vers le vision-langage :
- YOLO-VLM — un front-end YOLO léger alimentant une couche LLM plus profonde pour des pipelines vision-langage efficaces
Exporte tes modèles YOLO vers le nouveau format .aimodel d'Apple pour le runtime Core AI après la disponibilité générale d'iOS 27 et macOS 27, tout en conservant CoreML pour une compatibilité plus large avec les appareils.
Trois domaines de produits prioritaires guident la plateforme pour le reste de l'année :
- Auto-Training — une analyse d'entraînement itérative pilotée par LLM qui diagnostique automatiquement chaque exécution et affine la configuration au fil des cycles successifs pour améliorer la précision
- On-Premise — exécute la plateforme au sein de ta propre infrastructure, en gardant le contrôle total sur tes données et ton entraînement
- Monitoring — surveillance des modèles en production pour suivre les performances, détecter les dérives et maintenir la santé de tes déploiements
De nouvelles capacités rejoignent la famille YOLO tout au long de 2027 :
- YOLO-OCR — reconnaissance de texte rapide et précise
- YOLO-Face — reconnaissance et analyse faciale
- YOLO-Stereo3D — détection 3D stéréo à partir de paires de caméras binoculaires pour la robotique, une alternative native aux caméras lidar
Construis sur le dernier YOLO
Commence à entraîner et à déployer avec YOLO26 dès aujourd'hui — et sois prêt pour tout ce qui arrive ensuite.