Ultralytics YOLO26

Überblick

Ultralytics YOLO26 ist die neueste Entwicklung in der YOLO-Serie von Echtzeit-Objektdetektoren, die von Grund auf für Edge- und Low-Power-Geräte entwickelt wurde. Es führt ein optimiertes Design ein, das unnötige Komplexität reduziert und gleichzeitig gezielte Innovationen integriert, um eine schnellere, schlankere und zugänglichere Bereitstellung zu ermöglichen.

Die Architektur von YOLO26 basiert auf drei Kernprinzipien:

• Einfachheit: YOLO26 ist ein natives End-to-End-Modell, das Vorhersagen direkt erzeugt, ohne dass eine Non-Maximum Suppression (NMS) erforderlich ist. Durch den Wegfall dieses Nachbearbeitungsschritts wird die Inferenz schneller, schlanker und einfacher in realen Systemen bereitzustellen. Dieser bahnbrechende Ansatz wurde erstmals in YOLOv10 von Ao Wang an der Tsinghua-Universität entwickelt und in YOLO26 weiter verbessert.
• Deployment-Effizienz: Das End-to-End-Design spart eine ganze Phase der Pipeline ein, was die Integration erheblich vereinfacht, die Latenz reduziert und die Bereitstellung in verschiedenen Umgebungen robuster macht.
• Trainingsinnovation: YOLO26 führt den MuSGD-Optimierer ein, eine Hybridlösung aus SGD und Muon — inspiriert von den Kimi K2-Durchbrüchen von Moonshot AI im LLM-Training. Dieser Optimierer bietet eine verbesserte Stabilität und schnellere Konvergenz und überträgt Optimierungsfortschritte von Sprachmodellen in die Computer Vision.

Zusammen liefern diese Innovationen eine Modellfamilie, die eine höhere Genauigkeit bei kleinen Objekten erreicht, eine nahtlose Bereitstellung ermöglicht und bis zu 43 % schneller auf CPUs läuft — was YOLO26 zu einem der praktischsten und am besten einsetzbaren YOLO-Modelle für ressourcenbeschränkte Umgebungen macht.

Hauptmerkmale

• DFL-Entfernung
  Das Distribution Focal Loss (DFL)-Modul ist zwar effektiv, erschwert aber oft den Export und schränkt die Hardwarekompatibilität ein. YOLO26 beseitigt DFL vollständig, vereinfacht die Inferenz und erweitert die Unterstützung für Edge- und Low-Power-Geräte.

• End-to-End NMS-freie Inferenz
  Im Gegensatz zu herkömmlichen Detektoren, die auf NMS als separaten Nachbearbeitungsschritt angewiesen sind, ist YOLO26 nativ end-to-end. Vorhersagen werden direkt generiert, was die Latenzzeit reduziert und die Integration in Produktionssysteme schneller, leichter und zuverlässiger macht.

• ProgLoss + STAL
  Verbesserte Verlustfunktionen erhöhen die Erkennungsgenauigkeit, mit bemerkenswerten Verbesserungen bei der Erkennung von kleinen Objekten, eine wichtige Voraussetzung für IoT, Robotik, Luftbilder und andere Randanwendungen.

• MuSGD Optimierer
  Ein neuer hybrider Optimierer, der SGD mit Muon kombiniert. Inspiriert von Moonshot AI's Kimi K2, führt MuSGD fortschrittliche Optimierungsmethoden aus dem LLM-Training in die Computer Vision ein und ermöglicht stabileres Training und schnellere Konvergenz.

• Bis zu 43% schnellere CPU
  Speziell für Edge Computing optimiert, bietet YOLO26 eine deutlich schnellere CPU und gewährleistet so Echtzeitleistung auf Geräten ohne GPUs.

Unterstützte Aufgaben und Modi

YOLO26 ist als eine Multi-Task-Modellfamilie konzipiert, die die Vielseitigkeit von YOLO auf verschiedene Computer-Vision-Aufgaben erweitert:

Dieses einheitliche Framework stellt sicher, dass YOLO26 für Echtzeit-Detektion, -Segmentierung, -Klassifizierung, -Pose-Schätzung und -orientierte Objektdetektion eingesetzt werden kann — alles mit Unterstützung für Training, Validierung, Inferenz und Export.

Leistungsmetriken

Zitate und Danksagungen

Wenn Sie YOLO26 oder andere Ultralytics Software in Ihrer Arbeit verwenden, zitieren Sie diese bitte wie folgt:

@software{yolo26_ultralytics,
  author = {Glenn Jocher and Jing Qiu},
  title = {Ultralytics YOLO26},
  version = {26.0.0},
  year = {2025},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

DOI ausstehend. YOLO26 ist unter AGPL-3.0- und Enterprise-Lizenzen verfügbar.

FAQ

Was sind die wichtigsten Verbesserungen in YOLO26 im Vergleich zu YOLO11?

• DFL-Entfernung: Vereinfacht den Export und erweitert die Edge-Kompatibilität
• End-to-End NMS-freie Inferenz: Eliminiert NMS für eine schnellere, einfachere Bereitstellung
• ProgLoss + STAL: Erhöht die Genauigkeit, insbesondere bei kleinen Objekten
• MuSGD Optimizer: Kombiniert SGD und Muon (inspiriert von Moonshots Kimi K2) für ein stabileres, effizienteres Training
• Bis zu 43 % schnellere CPU-Inferenz: Deutliche Leistungssteigerung für reine CPU-Geräte

Welche Aufgaben wird YOLO26 unterstützen?

YOLO26 ist als eine vereinheitlichte Modellfamilie konzipiert und bietet End-to-End-Unterstützung für mehrere Computer-Vision-Aufgaben:

• Objekterkennung
• Instanzsegmentierung
• Bildklassifizierung
• Pose-Schätzung
• Orientierte Objekterkennung (OBB)

Jede Größenvariante (n, s, m, l, x) wird voraussichtlich alle Aufgaben bei der Veröffentlichung unterstützen.

Warum ist YOLO26 für den Edge-Einsatz optimiert?

YOLO26 bietet modernste Edge-Performance mit:

• Bis zu 43 % schnellere CPU-Inferenz
• Reduzierte Modellgröße und Speicherbedarf
• Vereinfachte Architektur für Kompatibilität (kein DFL, kein NMS)
• Flexible Exportformate, einschließlich TensorRT, ONNX, CoreML, TFLite und OpenVINO

Wann werden YOLO26-Modelle verfügbar sein?

YOLO26 Modelle befinden sich noch im Training und sind noch nicht Open-Source. Leistungsvorschauen werden hier gezeigt, offizielle Downloads und Releases sind in naher Zukunft geplant. Siehe YOLO Vision 2025 für YOLO26 Vorträge.

📅 Erstellt vor 1 Monat ✏️ Aktualisiert vor 12 Tagen

Kommentare