Ultralytics YOLO : ce que le dépôt implémente, de YOLOv3 à YOLO26
Ultralytics YOLO26, YOLO11, YOLOv8 : détection d'objets, segmentation d'instances, segmentation sémantique, classification d'images, estimation de pose, suivi d'objets
En bref
- De quoi s’agit-il ?
- Le README décrit un paquet Python couvrant la détection, le suivi, la segmentation, la pose, la classification, la profondeur et les boîtes englobantes orientées, avec YOLO26 comme dernière ligne de modèles.
- À qui s’adresse-t-il ?
- YOLO26 est la dernière ligne de modèles du README, avec des poids préentraînés pour sept types de tâches, une installation par pip, des interfaces CLI et Python, et une double licence AGPL-3.0 avec option entreprise. Pour une décision propre à ultralytics, commencez par le chemin documenté avec yolo, observez l'entrée et la sortie produites, puis vérifiez la licence AGPL-3.0 avant toute redistribution ou intégration.
- Puis-je l’utiliser commercialement ?
- Oui, sous conditions strictes. AGPL-3.0 est une licence à copyleft réseau : si des personnes utilisent une version modifiée via un réseau, par exemple comme service hébergé, vous devez leur proposer son code source sous la même licence.
- Est-il encore maintenu ?
- Oui. Le dépôt a reçu de nouveaux commits au cours des dernières 24 heures.
- En quel langage est-il écrit ?
- Principalement Python, d’après les statistiques de langage de GitHub.
Ces réponses reposent sur les données GitHub du projet (dernière synchronisation le 15 septembre 2026) et sur notre analyse. Elles ne constituent pas un avis juridique.
ANALYSE OPEN SOURCE APPROFONDIE
De YOLOv3 à YOLO26
Le README présente Ultralytics comme l'entreprise derrière la famille de modèles YOLO et ce dépôt comme le paquet Python qui implémente cette lignée. L'introduction nomme six tâches : détection d'objets, suivi, segmentation d'instances, segmentation sémantique, classification d'images et estimation de pose. Les tableaux de modèles plus loin ajoutent l'estimation de profondeur et les boîtes englobantes orientées. Le README indique que le paquet prend en charge les modèles de YOLOv3 à YOLO26 et décrit les modèles comme rapides, précis et faciles à utiliser. Il ne définit pas ce qui qualifie un modèle comme YOLO ; ce critère n'est donc pas établi par cette source.
Voie d'installation et environnement
L'installation rapide est une seule commande, `pip install ultralytics`, qui selon le README inclut toutes les exigences du pyproject.toml. L'environnement indiqué est Python 3.8 ou plus récent avec PyTorch 1.8 ou plus récent. Conda, Docker et la construction à partir des sources via Git sont listés comme méthodes alternatives, avec renvoi au guide de démarrage rapide pour les étapes. Le README ne précise pas quelles versions de Python ou de PyTorch sont testées pour la version actuelle ; cela reste à vérifier.
La CLI et l'API Python
Deux interfaces sont documentées avec des exemples. La forme CLI est une commande `yolo`, montrée en prédiction avec un modèle YOLO26n préentraîné sur une image d'exemple, avec des arguments supplémentaires comme `imgsz=640`. La forme Python importe la classe YOLO, charge `yolo26n.pt`, entraîne sur le jeu de données COCO8 pendant 100 époques, valide, effectue une prédiction, affiche le résultat et exporte vers ONNX. Le README indique que les deux interfaces acceptent les mêmes arguments de configuration et renvoie aux documentations CLI et Python pour d'autres exemples. La liste complète des sous-commandes CLI et des méthodes Python n'est pas reproduite dans le README.
Les tableaux de modèles YOLO26
La section des modèles est centrée sur YOLO26, avec des tableaux pour la détection, la segmentation d'instances, la segmentation sémantique, l'estimation de profondeur, la classification, la pose et les boîtes englobantes orientées. Chaque tableau liste cinq tailles : n, s, m, l, x. Les métriques varient selon la tâche : mAP sur COCO val2017 pour la détection et la pose, mIoU sur Cityscapes pour la segmentation sémantique, delta1, abs_rel et rmse sur NYU Depth V2 pour la profondeur, précision top-1 et top-5 sur ImageNet pour la classification, et mAP sur l'ensemble de test DOTAv1 pour les boîtes orientées. La vitesse est rapportée comme latence CPU ONNX et T4 TensorRT, le README notant les types d'instances utilisés. Chaque tableau inclut des commandes de reproduction. Le README ne dit pas qui a produit ces chiffres.
Les jeux de données derrière les poids préentraînés
Les poids préentraînés sont liés à des jeux de données précis. Les modèles de détection, de segmentation et de pose sont entraînés sur COCO ; la segmentation sémantique sur Cityscapes ; la classification sur ImageNet ; les boîtes englobantes orientées sur DOTAv1 ; l'estimation de profondeur sur un mélange large de jeux de données, évaluée sur NYU Depth V2. Le README indique que tous les modèles se téléchargent automatiquement depuis la dernière version Ultralytics à la première utilisation. Il ne liste ni la composition du mélange de profondeur ni la taille des poids téléchargés.
Intégrations et canaux communautaires
Le README nomme Weights & Biases, Comet ML, Roboflow et Intel OpenVINO comme intégrations clés et renvoie à une page couvrant la liste complète. Pour le support, les rapports de bugs et les demandes de fonctionnalités vont sur GitHub Issues, tandis que Discord, Reddit et les forums communautaires Ultralytics sont listés pour les questions et discussions. Un guide de contribution et un sondage utilisateur sont également liés. Le README ne décrit pas ce que fait chaque intégration ; ce contenu se trouve dans la documentation liée.
AGPL-3.0 et la licence entreprise
Le dépôt est sous licence AGPL-3.0, une licence copyleft approuvée OSI qui, selon le texte de la licence, est conçue pour les logiciels de serveur réseau : l'opérateur d'un serveur accessible publiquement exécutant une version modifiée doit fournir le code source de cette version aux utilisateurs du serveur. Le texte de la licence indique aussi qu'il n'y a aucune garantie pour l'œuvre, sauf dans la mesure où des garanties sont fournies. Le README ajoute une seconde option, la licence entreprise Ultralytics, décrite comme permettant l'intégration dans des produits commerciaux et des outils internes sans les obligations open source de l'AGPL-3.0. Le README ne donne ni le prix ni les conditions complètes de la licence entreprise, et le texte de la licence ne dit rien sur la posture de sécurité ou le support.
Conclusion éditoriale
YOLO26 est la dernière ligne de modèles du README, avec des poids préentraînés pour sept types de tâches, une installation par pip, des interfaces CLI et Python, et une double licence AGPL-3.0 avec option entreprise. Pour une décision propre à ultralytics, commencez par le chemin documenté avec yolo, observez l'entrée et la sortie produites, puis vérifiez la licence AGPL-3.0 avant toute redistribution ou intégration.
Notes de la communauté