Início Projetos ultralytics
ultralytics

ultralytics

por ultralytics · GitHub

Ultralytics YOLO26, YOLO11, YOLOv8 — detecção de objetos, segmentação de instâncias, segmentação semântica, classificação de imagens, estimativa de pose, rastreamento de objetos

Ver no GitHub
Em palavras simples

Detecte objetos, rastreie movimentos e classifique imagens usando modelos de IA avançados.

⭐ Estrelas
🍴 Forks
🔥 Tendências
📜 Licença
Licença copyleft
📅 Criado
🔄 Último commit
🏷️ Categoria
💻 Linguagem
Mantem este projeto?

Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.

Reivindicar esta pagina →
ultralytics — GitHub preview card
📈 Histórico de estrelas
60k59k
2026-06-272026-07-29
📈 Acompanhe ultralytics

Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.

Grátis · sem cartão · cancele quando quiser
Receber alertas por e-mail →
📄 Sobre

Ultralytics YOLO26, YOLO11, YOLOv8 — detecção de objetos, segmentação de instâncias, segmentação semântica, classificação de imagens, estimativa de pose, rastreamento de objetos

ultralytics tem 60k estrelas no GitHub. Foi bifurcado 11.5k vezes. ultralytics é escrito principalmente em Python. Está em desenvolvimento ativo desde 2022. ultralytics está disponível sob a licença AGPL-3.0. Os seus principais temas são: computer-vision, deep-learning, image-classification, instance-segmentation.

Frequently asked questions

O que é ultralytics?

Ultralytics YOLO26, YOLO11, YOLOv8 — detecção de objetos, segmentação de instâncias, segmentação semântica, classificação de imagens, estimativa de pose, rastreamento de objetos

ultralytics é de código aberto?

ultralytics é um projeto de código aberto. É distribuído sob a licença AGPL-3.0.

ultralytics é gratuito?

Sim. ultralytics é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.

Sob que licença está ultralytics?

ultralytics está disponível sob a licença AGPL-3.0.

Em que linguagem ultralytics está escrito?

ultralytics é escrito principalmente em Python.

🏅 Mantenedor deste projeto?
OpenSourceAI badge — ultralytics

Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=ultralytics-ultralytics)](https://opensourceai.tech/project/ultralytics-ultralytics.html)
Mais opções de badge →
🧬 Partilha ADN com🧬 Ver o mapa de ADN →
TensorRT-YOLO
🚀 Kit de Ferramentas de Implantação YOLO Mais Fácil e Rápido para NVIDIA 🛠️
1.9k · computer-vision
partilharotated-object-detectionyolo11
ultralytics-YOLO-DeepSort-ByteTrack-PyQt-GUI
uma aplicação GUI, que utiliza YOLOs (YOLOv8, YOLO11, YOLO13) para Detecção/Rastreamento de Obj…
457 · byte-tracking
partilhayolo11yolo26
yolo_ros
Ultralytics YOLOv8, YOLOv9, YOLOv10, YOLOv11, YOLOv12 para ROS 2
1.1k · 3d-human-pose-estimation
partilhayolo-worldyolo26
YoloDotNet
YoloDotNet - Um projeto C# .NET 8.0 para Classificação, Detecção de Objetos, Detecção de OBB, S…
800 · computer-vision
partilhayolo-worldyolo26
X-AnyLabeling
Plataforma de anotação assistida por IA de código aberto para imagens, vídeos, texto e dados mu…
9.9k · artificial-intelligence
partilharotated-object-detectioninstance-segmentation
yolov5
Ultralytics YOLOv5 em PyTorch para detecção de objetos, segmentação de instâncias, classificaçã…
57.8k · computer-vision
partilhaultralyticsinstance-segmentation
ultralytics_ros
Pacote ROS/ROS 2 para detecção e segmentação de objetos em tempo real com Ultralytics YOLOv8. h…
324 · object-detection
partilhaultralyticsyolov8
autodistill
Imagens para inferência sem rotulagem (use modelos fundacionais para treinar modelos supervisio…
2.7k · auto-labeling
partilhayolov8segment-anything
CVPR-2022-papers
Artigos da CVPR 2022 com código (论文及代码)
469 · computer-vision
partilhapose-estimationsemantic-segmentation
mmyolo
OpenMMLab caixa de ferramentas e benchmark da série YOLO. Implementado RTMDet, RTMDet-Rotated,…
3.5k · deep-learning
partilharotated-object-detectionyolov8

Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.