Ultralytics YOLO26

Überblick

Ultralytics YOLO26 ist die neueste Entwicklung in der YOLO von Echtzeit-Objektdetektoren, die von Grund auf für Edge- und Low-Power-Geräte entwickelt wurde. Er bietet ein schlankes Design, das unnötige Komplexität beseitigt und gleichzeitig gezielte Innovationen für eine schnellere, leichtere und leichter zugängliche Bereitstellung integriert.

Die Architektur von YOLO26 orientiert sich an drei Grundprinzipien:

• Einfachheit: YOLO26 ist ein natives End-to-End-Modell, das Vorhersagen direkt und ohne Non-Maximum Suppression (NMS) erstellt. Durch den Wegfall dieses Nachbearbeitungsschritts wird die Inferenz schneller, leichter und einfacher in realen Systemen einsetzbar. Dieser bahnbrechende Ansatz wurde erstmals in YOLOv10 von Ao Wang an der Tsinghua Universität vorgestellt und in YOLO26 weiter entwickelt.
• Effizienz bei der Bereitstellung: Durch das End-to-End-Design entfällt eine ganze Phase der Pipeline, was die Integration erheblich vereinfacht, die Latenzzeit verringert und die Bereitstellung in verschiedenen Umgebungen robuster macht.
• Innovation in der Ausbildung: YOLO26 stellt den MuSGD-Optimierer vor, eine Mischung aus SGD und Muon - inspiriert von Moonshot AIs Kimi K2-Durchbruch im LLM-Training. Dieser Optimierer bietet verbesserte Stabilität und schnellere Konvergenz und überträgt Optimierungsfortschritte von Sprachmodellen auf die Computer Vision.

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

Hauptmerkmale

• DFL-Entfernung
  Das Distribution Focal Loss (DFL)-Modul war zwar effektiv, erschwerte aber oft den Export und schränkte 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 von Haus aus 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, einer wichtigen Anforderung für IoT, Robotik, Luftaufnahmen 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
  YOLO26 wurde speziell für Edge Computing optimiert und bietet eine deutlich schnellere CPU , die Echtzeitleistung auf Geräten ohne GPUs gewährleistet.

Unterstützte Aufgaben und Modi

YOLO26 ist als Multitasking-Modellfamilie konzipiert, die die Vielseitigkeit von YOLO in Bezug auf verschiedene Computer Vision Herausforderungen erweitert:

Dieses einheitliche Framework stellt sicher, dass YOLO26 in den Bereichen Echtzeit-Erkennung, Segmentierung, Klassifizierung, Posenschätzung und orientierte Objekterkennung eingesetzt werden kann - alles mit Unterstützung für Training, Validierung, Inferenz und Export.

Leistungsmetriken

Zitate und Danksagungen

Wenn Sie YOLO26 oder andere Ultralytics in Ihrer Arbeit verwenden, zitieren Sie sie bitte als:

@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 verfügbar 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 Randkompatibilität
• End-to-End NMS-freie Inferenz: Eliminiert NMS für eine schnellere, einfachere Bereitstellung
• ProgLoss + STAL: Verbessert die Genauigkeit, insbesondere bei kleinen Objekten
• MuSGD-Optimierer: Kombiniert SGD und Muon (inspiriert von Moonshot's Kimi K2) für stabileres, effizienteres Training
• Bis zu 43 % schnellere CPU : Erhebliche Leistungssteigerung bei CPU

Welche Aufgaben wird YOLO26 unterstützen?

YOLO26 ist als einheitliche Modellfamilie konzipiert, die eine durchgängige Unterstützung für verschiedene Computer-Vision-Aufgaben bietet:

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

Jede Größenvariante (n, s, m, l, x) ist so geplant, dass sie bei der Freigabe alle Aufgaben unterstützt.

Warum ist YOLO26 für den Edge-Einsatz optimiert?

YOLO26 bietet modernste Spitzenleistung mit:

• Bis zu 43 % schnellere CPU
• Geringere Modellgröße und geringerer Speicherbedarf
• Vereinfachte Architektur für Kompatibilität (keine DFL, keine NMS)
• Flexible Exportformate einschließlich TensorRT, ONNX, CoreML, TFLite und OpenVINO

Wann werden die YOLO26-Modelle verfügbar sein?

Die YOLO26-Modelle befinden sich noch in der Ausbildung und sind noch nicht freigegeben. Leistungsvorschauen sind hier zu sehen, offizielle Downloads und Veröffentlichungen sind für die nahe Zukunft geplant. Siehe YOLO Vision 2025 für YOLO26 Gespräche.

📅 Erstellt vor 0 Tagen ✏️ Aktualisiert vor 0 Tagen

Kommentare