ultralytics/ultralyticsFramework di deep learning per rilevamento di oggetti, segmentazione, classificazione, stima della posa e tracciamento, utilizzando modelli YOLO pre-addestrati e API Python/CLI.
Ultralytics crea modelli YOLO all'avanguardia e allo stato dell'arte (SOTA), basati su anni di ricerca fondamentale nella visione artificiale e nell'IA. Costantemente aggiornati per prestazioni e flessibilità, i nostri modelli sono veloci, precisi e facili da usare. Eccellono in attività di rilevamento oggetti, segmentazione delle istanze, segmentazione semantica, stima della profondità, classificazione delle immagini e stima della posa, e possono tracciare gli oggetti rilevati attraverso i fotogrammi video.
Trova la documentazione dettagliata nei Ultralytics Docs. Ottieni supporto tramite GitHub Issues. Partecipa alle discussioni su Discord, Reddit e nei Forum della Community Ultralytics!
Richiedi una licenza Enterprise per uso commerciale su Ultralytics Licensing.
Consulta di seguito gli esempi di installazione rapida e utilizzo. Per una guida completa su addestramento, validazione, previsione e distribuzione, fai riferimento ai nostri Ultralytics Docs completi.
Installa il pacchetto ultralytics, inclusi tutti i requisiti, in un ambiente Python>=3.8 con PyTorch>=1.8.
Per i metodi di installazione alternativi, inclusi [Conda](https://anaconda.org/conda-forge/ultralytics), [Docker](https://hub.docker.com/r/ultralytics/ultralytics) e la compilazione dal sorgente tramite Git, consulta la [Guida rapida](https://docs.ultralytics.com/quickstart).
[](https://anaconda.org/conda-forge/ultralytics) [](https://hub.docker.com/r/ultralytics/ultralytics) [](https://hub.docker.com/r/ultralytics/ultralytics)
</details>
<details open>
<summary>Utilizzo</summary>
### CLI
Puoi usare Ultralytics YOLO direttamente dall'Interfaccia a riga di comando (CLI) con il comando `yolo`:```bash
# Predict using a pretrained YOLO model (e.g., YOLO26n) on an image
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'
Il comando yolo supporta vari task e modalità, accettando argomenti aggiuntivi come imgsz=640. Esplora la Documentazione CLI di YOLO per ulteriori esempi.
Ultralytics YOLO può essere integrato anche direttamente nei tuoi progetti Python. Accetta gli stessi argomenti di configurazione della CLI:```python from ultralytics import YOLO
model = YOLO("yolo26n.pt")
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]) )
metrics = model.val()
results = model("path/to/image.jpg") # Predict on an image results[0].show() # Display results
path = model.export(format="onnx") # Returns the path to the exported model
Scopri altri esempi nella [Documentazione Python](https://docs.ultralytics.com/usage/python) di YOLO.
</details>
## ✨ Modelli
Ultralytics supporta un'ampia gamma di modelli YOLO, dalle prime versioni come [YOLOv3](https://docs.ultralytics.com/models/yolov3) fino al più recente [YOLO26](https://docs.ultralytics.com/models/yolo26). Le tabelle seguenti mostrano i modelli YOLO26 pre-addestrati su [COCO](https://docs.ultralytics.com/datasets/detect/coco) per [Rilevamento](https://docs.ultralytics.com/tasks/detect), [Segmentazione](https://docs.ultralytics.com/tasks/segment) e [Stima della Posizione](https://docs.ultralytics.com/tasks/pose). I modelli di [Segmentazione Semantica](https://docs.ultralytics.com/tasks/semantic) sono pre-addestrati su [Cityscapes](https://docs.ultralytics.com/datasets/semantic/cityscapes), i modelli di [Stima della Profondità](https://docs.ultralytics.com/tasks/depth) sono pre-addestrati su un ampio mix di dataset multipli e valutati su [NYU Depth V2](https://cs.nyu.edu/~fergus/datasets/nyu_depth_v2.html), e i modelli di [Classificazione](https://docs.ultralytics.com/tasks/classify) sono pre-addestrati su [ImageNet](https://docs.ultralytics.com/datasets/classify/imagenet). La modalità [Tracciamento](https://docs.ultralytics.com/modes/track) è compatibile con i modelli di Rilevamento, Segmentazione, Posizione e OBB. Tutti i [Modelli](https://docs.ultralytics.com/models) vengono scaricati automaticamente dall'ultima [release](https://github.com/ultralytics/assets/releases) di Ultralytics al primo utilizzo.
<a href="https://docs.ultralytics.com/tasks" target="_blank">
<img width="100%" src="https://cdn.ul.run/i/c99d914c3958d0755b5a3d7204b6f24a.avif" alt="Attività supportate da Ultralytics YOLO">
</a>
<br>
<br>
<details open><summary>Rilevamento (COCO)</summary>
Esplora la [Documentazione sul Rilevamento](https://docs.ultralytics.com/tasks/detect) per esempi di utilizzo. Questi modelli sono addestrati sul [dataset COCO](https://cocodataset.org/), con 80 classi di oggetti.
| Modello | dimensione<br><sup>(pixel)</sup> | mAP<sup>val<br>50-95</sup> | mAP<sup>val<br>50-95(e2e)</sup> | Velocità<br><sup>CPU ONNX<br>(ms)</sup> | Velocità<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ---------------------------------------------------------------------- | --------------------------- | -------------------------- | ------------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n) | 640 | 40.9 | 40.1 | 38.9 ± 0.7 | 1.7 ± 0.0 | 2.4 | 5.5 |
| [YOLO26s](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s) | 640 | 48.6 | 47.8 | 87.2 ± 0.9 | 2.5 ± 0.0 | 9.5 | 20.9 |
| [YOLO26m](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m) | 640 | 53.1 | 52.5 | 220.0 ± 1.4 | 4.7 ± 0.1 | 20.4 | 68.4 |
| [YOLO26l](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l) | 640 | 55.0 | 54.4 | 286.2 ± 2.0 | 6.2 ± 0.2 | 24.8 | 86.8 |
| [YOLO26x](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x) | 640 | 57.5 | 56.9 | 525.8 ± 4.0 | 11.8 ± 0.2 | 55.7 | 194.4 |
- I valori **mAP<sup>val</sup>** si riferiscono alle prestazioni di un singolo modello su scala singola sul dataset [COCO val2017](https://cocodataset.org/). Consulta [Metriche di Prestazione YOLO](https://docs.ultralytics.com/guides/yolo-performance-metrics) per i dettagli. <br>Riproduci con `yolo val detect data=coco.yaml device=0`
- Le metriche di **Velocità** sono mediate sulle immagini di validazione COCO utilizzando un'istanza [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/). Le velocità CPU sono misurate con l'esportazione [ONNX](https://onnx.ai/). Le velocità GPU sono misurate con l'esportazione [TensorRT](https://developer.nvidia.com/tensorrt). <br>Riproduci con `yolo val detect data=coco.yaml batch=1 device=0|cpu`
</details>
<details><summary>Segmentazione (COCO)</summary>
Fai riferimento alla [Documentazione sulla Segmentazione](https://docs.ultralytics.com/tasks/segment) per esempi di utilizzo. Questi modelli sono addestrati su [COCO-Seg](https://docs.ultralytics.com/datasets/segment/coco), includendo 80 classi.
| Modello | dimensione<br><sup>(pixel)</sup> | mAP<sup>box<br>50-95(e2e)</sup> | mAP<sup>mask<br>50-95(e2e)</sup> | Velocità<br><sup>CPU ONNX<br>(ms)</sup> | Velocità<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ------------------------------------------------------------------------------ | --------------------------- | ------------------------------- | -------------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-seg) | 640 | 39.6 | 33.9 | 53.3 ± 0.5 | 2.1 ± 0.0 | 2.7 | 9.3 |
| [YOLO26s-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-seg) | 640 | 47.3 | 40.0 | 118.4 ± 0.9 | 3.3 ± 0.0 | 10.4 | 34.5 |
| [YOLO26m-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-seg) | 640 | 52.5 | 44.1 | 328.2 ± 2.4 | 6.7 ± 0.1 | 23.6 | 121.7 |
| [YOLO26l-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-seg) | 640 | 54.4 | 45.5 | 387.0 ± 3.7 | 8.0 ± 0.1 | 28.0 | 140.1 |
| [YOLO26x-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-seg) | 640 | 56.5 | 47.0 | 787.0 ± 6.8 | 16.4 ± 0.1 | 62.8 | 314.0 |
- I valori **mAP<sup>val</sup>** si riferiscono a un singolo modello su scala singola sul dataset [COCO val2017](https://cocodataset.org/). Consulta [Metriche di Prestazione YOLO](https://docs.ultralytics.com/guides/yolo-performance-metrics) per i dettagli. <br>Riproduci con `yolo val segment data=coco.yaml device=0`
- Le metriche di **Velocità** sono mediate sulle immagini di validazione COCO utilizzando un'istanza [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/). Le velocità CPU sono misurate con l'esportazione [ONNX](https://onnx.ai/). Le velocità GPU sono misurate con l'esportazione [TensorRT](https://developer.nvidia.com/tensorrt). <br>Riproduci con `yolo val segment data=coco.yaml batch=1 device=0|cpu`
</details>
<details><summary>Segmentazione Semantica (Cityscapes)</summary>
Consulta la [Documentazione sulla Segmentazione Semantica](https://docs.ultralytics.com/tasks/semantic) per esempi di utilizzo. Questi modelli sono addestrati su [Cityscapes](https://docs.ultralytics.com/datasets/semantic/cityscapes), includendo 19 classi.
| Modello | dimensione<br><sup>(pixel)</sup> | mIoU<sup>val</sup> | Velocità<br><sup>RTX3090 PyTorch<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ------------------------------------------------------------------------------ | --------------------------- | ------------------ | ------------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-sem) | 1024 × 2048 | 78.3 | 4.4 ± 0.0 | 1.6 | 23.8 |
| [YOLO26s-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-sem) | 1024 × 2048 | 80.8 | 8.4 ± 0.0 | 6.5 | 91.0 |
| [YOLO26m-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-sem) | 1024 × 2048 | 82.0 | 19.9 ± 0.1 | 14.3 | 305.5 |
| [YOLO26l-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-sem) | 1024 × 2048 | 82.9 | 26.5 ± 0.1 | 17.8 | 388.2 |
| [YOLO26x-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-sem) | 1024 × 2048 | 83.6 | 48.9 ± 0.2 | 40.1 | 866.9 |
- I valori **mIoU<sup>val</sup>** si riferiscono a un singolo modello su scala singola sul set di validazione [Cityscapes](https://www.cityscapes-dataset.com/). <br>Riproduci con `yolo semantic val data=cityscapes.yaml device=0 imgsz=2048`
- Le metriche di **Velocità** sono mediate sulle immagini di validazione Cityscapes utilizzando un'istanza RTX3090. <br>Riproduci con `yolo semantic val data=cityscapes.yaml batch=1 device=0|cpu imgsz=2048`
</details>
<details><summary>Stima della Profondità (NYU Depth V2)</summary>
Consulta la [Documentazione sulla Stima della Profondità](https://docs.ultralytics.com/tasks/depth) per esempi di utilizzo. Questi modelli sono pre-addestrati su un ampio mix di dataset multipli e valutati sulla suddivisione di test Eigen di [NYU Depth V2](https://cs.nyu.edu/~fergus/datasets/nyu_depth_v2.html), prevedendo la profondità per pixel in metri.
| Modello | dimensione<br><sup>(pixel)</sup> | delta1<sup>NYU</sup> | abs_rel<sup>NYU</sup> | rmse<sup>NYU</sup> | Velocità<br><sup>CPU ONNX<br>(ms)</sup> | Velocità<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ---------------------------------------------------------------------------------- | --------------------------- | -------------------- | --------------------- | ------------------ | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-depth) | 768 | 0.882 | 0.109 | 0.414 | 272.0 ± 27.2 | 2.7 ± 0.1 | 6.3 | 46.9 |
| [YOLO26s-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-depth) | 768 | 0.896 | 0.104 | 0.399 | 393.7 ± 13.1 | 3.8 ± 0.0 | 13.2 | 68.0 |
| [YOLO26m-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-depth) | 768 | 0.921 | 0.089 | 0.364 | 621.5 ± 49.7 | 6.0 ± 0.1 | 23.3 | 130.4 |
| [YOLO26l-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-depth) | 768 | 0.930 | 0.083 | 0.351 | 821.9 ± 50.7 | 7.7 ± 0.1 | 27.7 | 157.0 |
| [YOLO26x-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-depth) | 768 | 0.933 | 0.080 | 0.344 | 1240.9 ± 73.3 | 13.6 ± 0.2 | 57.0 | 301.7 |
- **delta1<sup>NYU</sup>** è la percentuale di pixel in cui la profondità prevista rientra in un fattore di 1.25 rispetto alla verità di base, sulla suddivisione di test Eigen di NYU Depth V2 (654 immagini) con TTA multi-scala + ribaltamento orizzontale e allineamento log-minimi-quadrati.
- L'accuratezza su scala singola senza TTA è riproducibile con `yolo depth val model=yolo26n-depth.pt data=nyu-depth.yaml imgsz=768 device=0` (sostituisci `model=` per ogni dimensione), che utilizza l'allineamento mediano (solo scala) e ottiene punteggi inferiori: delta1 0.785 (n), 0.786 (s), 0.827 (m), 0.839 (l), 0.843 (x).
- **abs_rel** è l'errore relativo assoluto medio tra i valori di profondità previsti e quelli reali.
- **rmse** è l'errore quadratico medio in metri.
- La **Velocità** è la latenza di sola inferenza (pre/post-elaborazione escluse) a `imgsz=768`, `batch=1`, riportata come media ± deviazione standard su esecuzioni temporizzate dopo il riscaldamento. **CPU ONNX** è ONNX Runtime fp32 su un Intel Xeon a 32 core (Skylake); **T4 TensorRT10** è TensorRT fp16 su una Tesla T4.
- **params** e **FLOPs** sono misurati a 768×768, la risoluzione di addestramento dei pesi rilasciati.
</details>
<details><summary>Classificazione (ImageNet)</summary>
Consulta la [Documentazione sulla Classificazione](https://docs.ultralytics.com/tasks/classify) per esempi di utilizzo. Questi modelli sono addestrati su [ImageNet](https://docs.ultralytics.com/datasets/classify/imagenet), coprendo 1000 classi.
| Modello | dimensione<br><sup>(pixel)</sup> | acc<br><sup>top1</sup> | acc<br><sup>top5</sup> | Velocità<br><sup>CPU ONNX<br>(ms)</sup> | Velocità<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B) a 224</sup> |
| ------------------------------------------------------------------------------ | --------------------------- | ---------------------- | ---------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ------------------------------ |
| [YOLO26n-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-cls) | 224 | 71.4 | 90.1 | 5.0 ± 0.3 | 1.1 ± 0.0 | 2.8 | 0.4 |
| [YOLO26s-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-cls) | 224 | 76.0 | 92.9 | 7.9 ± 0.2 | 1.3 ± 0.0 | 6.7 | 1.5 |
| [YOLO26m-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-cls) | 224 | 78.1 | 94.2 | 17.2 ± 0.4 | 2.0 ± 0.0 | 11.6 | 4.8 |
| [YOLO26l-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-cls) | 224 | 79.0 | 94.6 | 23.2 ± 0.3 | 2.8 ± 0.0 | 14.1 | 6.0 |
| [YOLO26x-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-cls) | 224 | 79.9 | 95.0 | 41.4 ± 0.9 | 3.8 ± 0.0 | 29.6 | 13.5 |
- I valori **acc** rappresentano l'accuratezza del modello sul set di validazione del dataset [ImageNet](https://www.image-net.org/). <br>Riproduci con `yolo val classify data=path/to/ImageNet device=0`
- Le metriche di **Velocità** sono mediate sulle immagini di validazione ImageNet utilizzando un'istanza [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/). Le velocità CPU sono misurate con l'esportazione [ONNX](https://onnx.ai/). Le velocità GPU sono misurate con l'esportazione [TensorRT](https://developer.nvidia.com/tensorrt). <br>Riproduci con `yolo val classify data=path/to/ImageNet batch=1 device=0|cpu`
</details>
<details><summary>Posizione (COCO)</summary>
Consulta la [Documentazione sulla Stima della Posizione](https://docs.ultralytics.com/tasks/pose) per esempi di utilizzo. Questi modelli sono addestrati su [COCO-Pose](https://docs.ultralytics.com/datasets/pose/coco), concentrandosi sulla classe 'persona'.
| Modello | dimensione<br><sup>(pixel)</sup> | mAP<sup>pose<br>50-95(e2e)</sup> | mAP<sup>pose<br>50(e2e)</sup> | Velocità<br><sup>CPU ONNX<br>(ms)</sup> | Velocità<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| -------------------------------------------------------------------------------- | --------------------------- | -------------------------------- | ----------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-pose) | 640 | 57.2 | 83.3 | 40.3 ± 0.5 | 1.8 ± 0.0 | 2.9 | 7.6 |
| [YOLO26s-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-pose) | 640 | 63.0 | 86.6 | 85.3 ± 0.9 | 2.7 ± 0.0 | 10.4 | 24.1 |
| [YOLO26m-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-pose) | 640 | 68.8 | 89.6 | 218.0 ± 1.5 | 5.0 ± 0.1 | 21.5 | 73.3 |
| [YOLO26l-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-pose) | 640 | 70.4 | 90.5 | 275.4 ± 2.4 | 6.5 ± 0.1 | 25.9 | 91.7 |
| [YOLO26x-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-pose) | 640 | 71.6 | 91.6 | 565.4 ± 3.0 | 12.2 ± 0.2 | 57.6 | 202.3 |
- I valori **mAP<sup>val</sup>** si riferiscono a un singolo modello su scala singola sul dataset [COCO Keypoints val2017](https://docs.ultralytics.com/datasets/pose/coco). Consulta [Metriche di Prestazione YOLO](https://docs.ultralytics.com/guides/yolo-performance-metrics) per i dettagli. <br>Riproduci con `yolo val pose data=coco-pose.yaml device=0`
- Le metriche di **Velocità** sono mediate sulle immagini di validazione COCO utilizzando un'istanza [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/). Le velocità CPU sono misurate con l'esportazione [ONNX](https://onnx.ai/). Le velocità GPU sono misurate con l'esportazione [TensorRT](https://developer.nvidia.com/tensorrt). <br>Riproduci con `yolo val pose data=coco-pose.yaml batch=1 device=0|cpu`</details>
<details><summary>Bounding Box Orientati (DOTAv1)</summary>
Consulta la [Documentazione OBB](https://docs.ultralytics.com/tasks/obb) per esempi di utilizzo. Questi modelli sono addestrati su [DOTAv1](https://docs.ultralytics.com/datasets/obb/dota-v2#dota-v10), che include 15 classi.
| Modello | dimensione<br><sup>(pixel)</sup> | mAP<sup>test<br>50-95(e2e)</sup> | mAP<sup>test<br>50(e2e)</sup> | Velocità<br><sup>CPU ONNX<br>(ms)</sup> | Velocità<br><sup>T4 TensorRT10<br>(ms)</sup> | parametri<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ------------------------------------------------------------------------------ | --------------------------- | -------------------------------- | ----------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-obb) | 1024 | 52.4 | 78.9 | 97.7 ± 0.9 | 2.8 ± 0.0 | 2.4 | 14.8 |
| [YOLO26s-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-obb) | 1024 | 54.8 | 80.9 | 218.0 ± 1.4 | 4.9 ± 0.1 | 9.8 | 56.7 |
| [YOLO26m-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-obb) | 1024 | 55.3 | 81.0 | 579.2 ± 3.8 | 10.2 ± 0.3 | 21.2 | 184.9 |
| [YOLO26l-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-obb) | 1024 | 56.2 | 81.6 | 735.6 ± 3.1 | 13.0 ± 0.2 | 25.6 | 232.4 |
| [YOLO26x-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-obb) | 1024 | 56.7 | 81.7 | 1485.7 ± 11.5 | 30.5 ± 0.9 | 57.6 | 520.1 |
- I valori **mAP<sup>test</sup>** si riferiscono alle prestazioni multiscala a modello singolo sul [test set DOTAv1](https://captain-whu.github.io/DOTA/dataset.html). <br>Riproducibili con `yolo val obb data=DOTAv1.yaml device=0 split=test` e inviando i risultati aggregati al [server di valutazione DOTA](https://captain-whu.github.io/DOTA/evaluation.html).
- Le metriche di **velocità** sono calcolate come media sulle [immagini di validazione DOTAv1](https://docs.ultralytics.com/datasets/obb/dota-v2#dota-v10) utilizzando un'istanza [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/). Le velocità CPU sono misurate con esportazione [ONNX](https://onnx.ai/). Le velocità GPU sono misurate con esportazione [TensorRT](https://developer.nvidia.com/tensorrt). <br>Riproducibili con `yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu`
</details>
## 🧩 Integrazioni
Le nostre principali integrazioni con le principali piattaforme AI estendono le funzionalità delle offerte Ultralytics, migliorando attività come l'etichettatura dei dataset, l'addestramento, la visualizzazione e la gestione dei modelli. Scopri come Ultralytics, in collaborazione con partner come [Weights & Biases](https://docs.ultralytics.com/integrations/weights-biases), [Comet ML](https://docs.ultralytics.com/integrations/comet), [Roboflow](https://docs.ultralytics.com/integrations/roboflow) e [Intel OpenVINO](https://docs.ultralytics.com/integrations/openvino), può ottimizzare il tuo flusso di lavoro AI. Esplora di più su [Ultralytics Integrations](https://docs.ultralytics.com/integrations).
<a href="https://platform.ultralytics.com" target="_blank">
<img width="100%" src="https://raw.githubusercontent.com/ultralytics/assets/main/yolov8/banner-integrations.png" alt="Ultralytics active learning integrations">
</a>
## 🤝 Contribuisci
Prosperiamo grazie alla collaborazione della community! Ultralytics YOLO non sarebbe il framework SOTA che è senza i contributi di sviluppatori come te. Consulta la nostra [Guida ai Contributi](https://docs.ultralytics.com/help/contributing) per iniziare. Accogliamo anche i tuoi feedback: condividi la tua esperienza compilando il nostro [Sondaggio](https://www.ultralytics.com/survey?utm_source=github&utm_medium=social&utm_campaign=Survey). Un enorme **Grazie** 🙏 a tutti coloro che contribuiscono!
<!-- SVG image from https://opencollective.com/ultralytics/contributors.svg?width=1280 -->
[](https://github.com/ultralytics/ultralytics/graphs/contributors)
Non vediamo l'ora di ricevere i tuoi contributi per rendere l'ecosistema Ultralytics ancora migliore!
## 📜 Licenza
Ultralytics offre due opzioni di licenza per soddisfare diverse esigenze:
- **Licenza AGPL-3.0**: Questa licenza open-source [approvata OSI](https://opensource.org/license/agpl-3.0) è perfetta per studenti, ricercatori e appassionati. Incoraggia la collaborazione aperta e la condivisione delle conoscenze. Consulta il file [LICENSE](https://github.com/ultralytics/ultralytics/blob/main/LICENSE) per tutti i dettagli.
- **Licenza Enterprise Ultralytics**: Per lo sviluppo e l'uso in produzione, questa licenza consente l'integrazione senza soluzione di continuità del software e dei modelli AI Ultralytics in prodotti e servizi aziendali, inclusi strumenti interni, flussi di lavoro automatizzati e distribuzioni in produzione, bypassando i requisiti open-source di AGPL-3.0. Per iniziare, contattaci tramite [Ultralytics Licensing](https://www.ultralytics.com/license).
## 📞 Contatti
Per segnalazioni di bug e richieste di funzionalità relative al software Ultralytics, visita [GitHub Issues](https://github.com/ultralytics/ultralytics/issues). Per domande, discussioni e supporto della community, unisciti alle nostre community attive su [Discord](https://discord.com/invite/ultralytics), [Reddit](https://www.reddit.com/r/ultralytics/) e i [Forum della Community Ultralytics](https://community.ultralytics.com). Siamo qui per aiutarti con tutto ciò che riguarda Ultralytics!
<br>
<div align="center">
<a href="https://github.com/ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-github.png" width="3%" alt="Ultralytics GitHub"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space">
<a href="https://www.linkedin.com/company/ultralytics/"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-linkedin.png" width="3%" alt="Ultralytics LinkedIn"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space">
<a href="https://twitter.com/ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-twitter.png" width="3%" alt="Ultralytics Twitter"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space">
<a href="https://www.youtube.com/ultralytics?sub_confirmation=1"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-youtube.png" width="3%" alt="Ultralytics YouTube"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space">
<a href="https://www.tiktok.com/@ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-tiktok.png" width="3%" alt="Ultralytics TikTok"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space">
<a href="https://ultralytics.com/bilibili"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-bilibili.png" width="3%" alt="Ultralytics BiliBili"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space">
<a href="https://discord.com/invite/ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-discord.png" width="3%" alt="Ultralytics Discord"></a>
</div>