ultralytics/docs/ru/models/index.md

comments	description	keywords
true	Изучите разнообразные модели семейства YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS и RT-DETR, поддерживаемые Ultralytics. Начните с примеров использования в командной строке и Python.	Ultralytics, документация, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR, модели, архитектуры, Python, CLI

Модели, поддерживаемые Ultralytics

Добро пожаловать в документацию по моделям Ultralytics! Мы поддерживаем широкий спектр моделей, каждая из которых адаптирована для конкретных задач, таких как обнаружение объектов, сегментация на уровне экземпляров, классификация изображений, оценка позы и множественное отслеживание объектов. Если вы заинтересованы в добавлении архитектуры вашей модели в Ultralytics, ознакомьтесь с нашим Руководством для участников.

!!! Note "Заметка"

🚧 Наша многоязычная документация в настоящее время находится в стадии разработки, и мы усердно работаем над ее улучшением. Спасибо за ваше терпение! 🙏

Основные модели

Вот некоторые ключевые модели, поддерживаемые нами:

1. YOLOv3: Третье поколение семейства моделей YOLO, созданное Джозефом Редмоном, известное своей эффективной способностью обнаружения объектов в реальном времени.
2. YOLOv4: Обновление YOLOv3, оптимизированное для darknet, выпущенное Алексеем Бочковским в 2020 году.
3. YOLOv5: Улучшенная версия архитектуры YOLO от Ultralytics, предлагающая лучшие компромиссы производительности и скорости по сравнению с предыдущими версиями.
4. YOLOv6: Выпущена компанией Meituan в 2022 году и используется во многих роботах автономной доставки компании.
5. YOLOv7: Обновленные модели YOLO, выпущенные в 2022 году авторами YOLOv4.
6. YOLOv8: Последняя версия семейства YOLO с расширенными возможностями, такими как сегментация на уровне экземпляров, оценка позы/ключевых точек и классификация.
7. Segment Anything Model (SAM): Модель Segment Anything от Meta (SAM).
8. Mobile Segment Anything Model (MobileSAM): MobileSAM для мобильных приложений от Университета Кён Хи.
9. Fast Segment Anything Model (FastSAM): FastSAM от Группы анализа изображений и видео, Института автоматики, Китайская академия наук.
10. YOLO-NAS: Модели YOLO с поиском архитектуры нейронных сетей (NAS).
11. Realtime Detection Transformers (RT-DETR): Модели Realtime Detection Transformer (RT-DETR) от Baidu на основе PaddlePaddle.

Смотрите: Запуск моделей YOLO от Ultralytics всего в несколько строк кода.

Начало работы: Примеры использования

!!! Example "Пример"

=== "Python"

    Предварительно обученные модели PyTorch `*.pt` а также файлы конфигурации `*.yaml` могут быть переданы в классы `YOLO()`, `SAM()`, `NAS()` и `RTDETR()` для создания экземпляра модели в Python:

    ```python
    from ultralytics import YOLO

    # Загрузка модели YOLOv8n, предварительно обученной на COCO
    model = YOLO('yolov8n.pt')

    # Отображение информации о модели (необязательно)
    model.info()

    # Обучение модели на примерном наборе данных COCO8 в течение 100 эпох
    results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

    # Запуск использования модели YOLOv8n на изображении 'bus.jpg'
    results = model('path/to/bus.jpg')
    ```

=== "CLI"

    Команды CLI доступны для непосредственного запуска моделей:

    ```bash
    # Загрузка и обучение модели YOLOv8n, предварительно обученной на COCO, на примерном наборе данных COCO8 в течение 100 эпох
    yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

    # Загрузка и запуск использования модели YOLOv8n, предварительно обученной на COCO, на изображении 'bus.jpg'
    yolo predict model=yolov8n.pt source=path/to/bus.jpg
    ```

Вклад в новые модели

Заинтересованы в добавлении вашей модели в Ultralytics? Замечательно! Мы всегда открыты для расширения нашего портфолио моделей.

1. Создать форк репозитория: Начните с создания форка репозитория Ultralytics на GitHub.

2. Клонировать ваш форк: Клонируйте ваш форк на локальный компьютер и создайте новую ветку для работы.

3. Реализовать вашу модель: Добавьте вашу модель, следуя стандартам кодирования и руководящим принципам, приведенным в нашем Руководстве для участников.

4. Тщательно протестировать: Убедитесь, что ваша модель тестируется тщательно как самостоятельно, так и как часть нашего конвейера.

5. Создать запрос на добавление: После того, как будете удовлетворены вашей моделью, создайте запрос на добавление в основной репозиторий для рассмотрения.

6. Код-ревью и слияние: После рецензирования, если ваша модель соответствует нашим критериям, она будет добавлена в основной репозиторий.

Для более подробных шагов, смотрите наше Руководство для участников.