Ultralytics YOLO26

Panoramica

Ultralytics YOLO26 è l'ultima evoluzione nella serie YOLO di rilevatori di oggetti in tempo reale, progettata da zero per dispositivi edge e a basso consumo. Introduce un design ottimizzato che rimuove inutili complessità, integrando innovazioni mirate per offrire un deployment più rapido, leggero e accessibile.

L'architettura di YOLO26 è guidata da tre principi fondamentali:

• Semplicità: YOLO26 è un modello end-to-end nativo, che produce previsioni direttamente senza la necessità della soppressione dei non massimi (NMS). Eliminando questo passaggio di post-elaborazione, l'inferenza diventa più veloce, leggera e facile da distribuire in sistemi reali. Questo approccio rivoluzionario è stato introdotto per la prima volta in YOLOv10 da Ao Wang presso la Tsinghua University ed è stato ulteriormente sviluppato in YOLO26.
• Efficienza di Deployment: Il design end-to-end elimina un'intera fase della pipeline, semplificando drasticamente l'integrazione, riducendo la latenza e rendendo il deployment più solido in ambienti eterogenei.
• Innovazione nell'Addestramento: YOLO26 introduce l'ottimizzatore MuSGD, un ibrido tra SGD e Muon, ispirato alle scoperte di Kimi K2 di Moonshot AI nell'addestramento LLM. Questo ottimizzatore garantisce maggiore stabilità e una convergenza più rapida, trasferendo i progressi dell'ottimizzazione dai modelli linguistici alla visione artificiale.
• Ottimizzazioni specifiche per attività: YOLO26 introduce miglioramenti mirati per attività specializzate, tra cui la perdita per segmentazione semantica e moduli proto multi-scala per la Segmentazione, la stima della log-verosimiglianza residua (RLE) per una stima della Posa ad alta precisione, e una decodifica ottimizzata con perdita angolare per risolvere problemi di confine in OBB.

Insieme, queste innovazioni offrono una famiglia di modelli che raggiunge una maggiore precisione sugli oggetti piccoli, fornisce un deployment fluido e viene eseguita fino al 43% più velocemente su CPU, rendendo YOLO26 uno dei modelli YOLO più pratici e pronti per il deployment ad oggi per ambienti con risorse limitate.

Caratteristiche principali

• Rimozione DFL Il modulo Distribution Focal Loss (DFL), sebbene efficace, spesso complicava l'esportazione e limitava la compatibilità hardware. YOLO26 rimuove interamente la DFL, semplificando l'inferenza e ampliando il supporto per dispositivi edge e a basso consumo.

• Inferenza End-to-End senza NMS A differenza dei rilevatori tradizionali che si affidano alla NMS come fase di post-elaborazione separata, YOLO26 è nativamente end-to-end. Le previsioni vengono generate direttamente, riducendo la latenza e rendendo l'integrazione nei sistemi di produzione più veloce, leggera e affidabile.

• ProgLoss + STAL Funzioni di perdita migliorate aumentano la precisione di rilevamento, con notevoli miglioramenti nel riconoscimento di oggetti piccoli, un requisito critico per IoT, robotica, immagini aeree e altre applicazioni edge.

• Ottimizzatore MuSGD Un nuovo ottimizzatore ibrido che combina SGD con Muon. Ispirato a Kimi K2 di Moonshot AI, MuSGD introduce metodi di ottimizzazione avanzati dall'addestramento LLM nella visione artificiale, consentendo un addestramento più stabile e una convergenza più veloce.

• Inferenza su CPU fino al 43% più veloce Specificamente ottimizzato per l'edge computing, YOLO26 offre un'inferenza su CPU significativamente più rapida, garantendo prestazioni in tempo reale su dispositivi privi di GPU.

• Miglioramenti nella Segmentazione di Istanza Introduce la perdita di segmentazione semantica per migliorare la convergenza del modello e un modulo proto aggiornato che sfrutta informazioni multi-scala per una qualità delle maschere superiore.

• Stima della Posa di Precisione Integra la Residual Log-Likelihood Estimation (RLE) per una localizzazione dei keypoint più accurata e ottimizza il processo di decodifica per una maggiore velocità di inferenza.

• Decodifica OBB perfezionata Introduce una perdita angolare specializzata per migliorare la precisione di rilevamento per oggetti di forma quadrata e ottimizza la decodifica OBB per risolvere problemi di discontinuità dei bordi.

Attività e modalità supportate

YOLO26 si basa sulla gamma versatile di modelli stabilita dalle precedenti versioni Ultralytics YOLO, offrendo un supporto avanzato per varie attività di visione artificiale:

Questo framework unificato garantisce che YOLO26 sia applicabile al rilevamento in tempo reale, alla segmentazione di istanza, alla segmentazione semantica, alla classificazione, alla stima della posa e al rilevamento di oggetti orientati: il tutto con supporto per addestramento, validazione, inferenza ed esportazione.

Metriche di prestazione

I valori di Params e FLOPs si riferiscono al modello fuso dopo model.fuse(), che unisce i livelli Conv e BatchNorm e rimuove l'head di rilevamento ausiliario uno-a-molti. I checkpoint preaddestrati mantengono l'intera architettura di addestramento e potrebbero mostrare conteggi più elevati.

Esempi di utilizzo

Questa sezione fornisce semplici esempi di addestramento e inferenza con YOLO26. Per la documentazione completa su queste e altre modalità, consulta le pagine della documentazione su Previsione, Addestramento, Validazione ed Esportazione.

Nota che l'esempio seguente riguarda i modelli YOLO26 Rilevamento per il rilevamento di oggetti. Per ulteriori attività supportate, consulta la documentazione su Segmentazione, Segmentazione semantica, Classificazione, OBB e Posa.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Use one-to-one head (default, no NMS required)
results = model.predict("image.jpg")  # inference
metrics = model.val(data="coco.yaml")  # validation
model.export(format="onnx")  # export

# Use one-to-many head (requires NMS)
results = model.predict("image.jpg", end2end=False)  # inference
metrics = model.val(data="coco.yaml", end2end=False)  # validation
model.export(format="onnx", end2end=False)  # export

YOLOE-26: Segmentazione di istanze a vocabolario aperto

YOLOE-26 integra l'architettura ad alte prestazioni YOLO26 con le capacità a vocabolario aperto della serie YOLOE. Consente il rilevamento e la segmentazione in tempo reale di qualsiasi classe di oggetti utilizzando prompt testuali, prompt visivi o una modalità senza prompt per un'inferenza zero-shot, eliminando efficacemente i vincoli dell'addestramento su categorie fisse.

Sfruttando il design end-to-end senza NMS di YOLO26, YOLOE-26 offre un'inferenza rapida nel mondo aperto. Questo lo rende una soluzione potente per applicazioni edge in ambienti dinamici dove gli oggetti di interesse rappresentano un vocabolario ampio ed evolutivo.

Esempio di utilizzo

YOLOE-26 supporta prompt sia basati su testo che visivi. Usare i prompt è semplice: ti basta passarli attraverso il metodo predict come mostrato di seguito:

from ultralytics import YOLO

# Initialize model
model = YOLO("yoloe-26l-seg.pt")  # or select yoloe-26s/m-seg.pt for different sizes

# Set text prompt to detect person and bus. You only need to do this once after you load the model.
model.set_classes(["person", "bus"])

# Run detection on the given image
results = model.predict("path/to/image.jpg")

# Show results
results[0].show()

Per un approfondimento sulle tecniche di prompting, sull'addestramento da zero e su esempi di utilizzo completi, visita la Documentazione di YOLOE.

Citazioni e riconoscimenti

Se utilizzi YOLO26 o altro software Ultralytics nel tuo lavoro, ti preghiamo di citarlo come:

@software{yolo26_ultralytics,
  author = {Glenn Jocher and Jing Qiu},
  title = {Ultralytics YOLO26},
  version = {26.0.0},
  year = {2026},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

DOI in attesa. YOLO26 è disponibile con licenze AGPL-3.0 e Enterprise.

FAQ

Quali sono i miglioramenti chiave in YOLO26 rispetto a YOLO11?

• Rimozione DFL: Semplifica l'esportazione ed espande la compatibilità con i dispositivi edge
• Inferenza end-to-end senza NMS: Elimina NMS per un'implementazione più rapida e semplice
• ProgLoss + STAL: Aumenta la precisione, specialmente sugli oggetti piccoli
• Ottimizzatore MuSGD: Combina SGD e Muon (ispirato a Kimi K2 di Moonshot) per un addestramento più stabile ed efficiente
• Fino al 43% di inferenza CPU più rapida: Notevoli miglioramenti delle prestazioni per dispositivi che utilizzano solo CPU

Quali attività supporta YOLO26?

YOLO26 è una famiglia di modelli unificata, che fornisce supporto end-to-end per molteplici attività di visione artificiale:

• Rilevamento oggetti
• Segmentazione di istanza
• Segmentazione semantica
• Classificazione immagini
• Stima della posa
• Rilevamento oggetti orientati (OBB)

Ogni variante di dimensione (n, s, m, l, x) supporta tutte le attività, oltre a versioni a vocabolario aperto tramite YOLOE-26.

Perché YOLO26 è ottimizzato per l'implementazione edge?

YOLO26 offre prestazioni edge all'avanguardia con:

• Fino al 43% di inferenza CPU più rapida
• Dimensioni del modello e ingombro di memoria ridotti
• Architettura semplificata per la compatibilità (senza DFL, senza NMS)
• Formati di esportazione flessibili inclusi TensorRT, ONNX, CoreML, TFLite e OpenVINO

Come posso iniziare con YOLO26?

I modelli YOLO26 sono stati rilasciati il 14 gennaio 2026 e sono disponibili per il download. Installa o aggiorna il pacchetto ultralytics e carica un modello:

from ultralytics import YOLO

# Load a pretrained YOLO26 nano model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("image.jpg")

Consulta la sezione Usage Examples per le istruzioni su training, validazione ed esportazione.