コンテンツにスキップ

Ultralytics YOLO26

プレビューのみ ⚠️

↪So_1F6A7 モデルはまだ開発中であり、リリースされていません。ここに掲載されているパフォーマンス数値はプレビューに過ぎません。
最終的なダウンロードとリリースは近日中に行われます。

概要

UltralyticsYOLO26は、エッジデバイスや低消費電力デバイス向けにゼロから設計されたリアルタイム物体検出器YOLO シリーズの最新の進化形です。より速く、より軽く、よりアクセスしやすい展開を実現するための的を絞ったイノベーションを統合しながら、不必要な複雑さを取り除いた合理的な設計を導入しています。

YOLO26のアーキテクチャは、3つの基本原則によって導かれている：

  • シンプルさ：YOLO26はネイティブなエンド・ツー・エンドのモデルであり、非最大抑制（NMS）を必要とせずに直接予測を生成する。この後処理のステップを省くことで、推論がより速く、軽くなり、実世界のシステムへの導入が容易になります。この画期的なアプローチは、清華大学のAo WangによってYOLOv10で初めて開拓され、YOLO26ではさらに進化している。
  • デプロイの効率化：エンド・ツー・エンドの設計により、パイプラインの全ステージがカットされ、統合が劇的に簡素化され、レイテンシーが短縮され、多様な環境への展開がより堅牢になります。
  • トレーニングの革新YOLO26は、LLMトレーニングにおけるMoonshot AIのKimi K2のブレークスルーにインスパイアされた、SGDと MuonのハイブリッドであるMuSGDオプティマイザを導入します。このオプティマイザーは、言語モデルからコンピュータビジョンに最適化の進歩を移し、安定性の向上と収束の高速化をもたらします。

これらの技術革新が相まって、小さなオブジェクトでより高い精度を達成し、シームレスな展開を実現し、CPU上で最大43％高速に動作するモデルファミリーが実現した。

Ultralytics YOLO26比較プロット

主な特徴

  • DFLの除去
    DFL（Distribution Focal Loss）モジュールは効果的ではあるが、しばしばエクスポートを複雑にし、ハードウェアの互換性を制限していた。YOLO26はDFLを完全に削除し、推論を簡素化し、エッジデバイスや低電力デバイスのサポートを拡大します。

  • エンド・ツー・エンドのNMSフリー推論
    NMSを別個の後処理段階として依存する従来の検出器とは異なり、YOLO26はネイティブにエンド・ツー・エンドです。予測は直接生成され、レイテンシーを削減し、生産システムへの統合をより速く、より軽く、より信頼できるものにします。

  • プログロス＋STAL
    IoT、ロボット工学、航空画像、その他のエッジ・アプリケーションに不可欠な小物体認識において、改善された損失関数が顕著な改善をもたらし、検出精度を向上させます。

  • MuSGDオプティマイザー
    SGDと Muonを組み合わせた新しいハイブリッド・オプティマイザー。Moonshot AIのKimi K2にインスパイアされたMuSGDは、LLMトレーニングの高度な最適化手法をコンピュータビジョンに導入し、より安定したトレーニングと高速な収束を可能にします。

  • CPU 推論が最大43%高速化
    エッジコンピューティング向けに最適化されたYOLO26は、CPU 推論を大幅に高速化し、GPUを搭載していないデバイスでもリアルタイムのパフォーマンスを保証します。

サポートされているタスクとモード

YOLO26は、マルチタスク・モデル・ファミリーとして設計されており、多様なコンピュータ・ビジョンの課題に対してYOLO汎用性を拡張している：

モデル タスク 推論 検証 学習 エクスポート
YOLO26 検出 ✅ ✅ ✅ ✅
YOLO26-seg インスタンスセグメンテーション ✅ ✅ ✅ ✅
YOLO26-ポーズ ポーズ/キーポイント ✅ ✅ ✅ ✅
YOLO26-obb 傾斜検出 ✅ ✅ ✅ ✅
YOLO26-cls 分類 ✅ ✅ ✅ ✅

この統一されたフレームワークにより、YOLO26は、リアルタイム検出、セグメンテーション、分類、ポーズ推定、指向性物体検出のすべてに適用でき、トレーニング、検証、推論、エクスポートをサポートします。

パフォーマンス指標

公演プレビュー

以下のベンチマークは初期のプレビューです。最終的な数値とダウンロード可能なウエイトは、トレーニングが終了した時点で発表される。

COCOで80の事前学習済みクラスで学習。
モデルがリリースされた後の使用方法については、Detection Docsを参照してください。

モデル サイズ
(ピクセル)		 mAPval
50-95(e2e)		 mAPval
50-95		 速度
CPU ONNX
(ms)		 速度
T4 TensorRT10
(ms)		 params
(M)		 FLOPs
(B)
YOLO26n 640 39.8 40.3 38.90 ± 0.7 1.7 ± 0.0 2.4 5.4
YOLO26s 640 47.2 47.6 87.16 ± 0.9 2.7 ± 0.0 9.5 20.7
YOLO26m 640 51.5 51.7 220.0 ± 1.4 4.9 ± 0.1 20.4 68.2
YOLO26l 640 53.0* 53.4* 286.17 ± 2.0* 6.5 ± 0.2* 24.8 86.4
YOLO26x 640 - - - - - -

*YOLO26lとYOLO26xの測定は現在進行中です。最終ベンチマークはここに追加されます。

パフォーマンス・メトリクスは近日公開予定。

パフォーマンス・メトリクスは近日公開予定。

パフォーマンス・メトリクスは近日公開予定。

パフォーマンス・メトリクスは近日公開予定。

引用と謝辞

Ultralytics YOLO26 出版物

Ultralytics 、YOLO26のモデルが急速に進化しているため、正式な研究論文を発表していません。その代わり、最先端のモデルを提供し、使いやすくすることに重点を置いています。YOLO 機能、アーキテクチャ、使用方法に関する最新のアップデートについては、GitHubリポジトリと ドキュメントをご覧ください。

YOLO26または他のUltralytics ソフトウェアをあなたの仕事で使用する場合は、以下のように引用してください：

@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申請中。YOLO26は AGPL-3.0およびEnterpriseライセンスで利用可能です。

よくある質問

YOLOYOLO11比較して、YOLO26の主な改善点は何ですか？

  • DFL除去：エクスポートを簡素化し、エッジの互換性を拡大
  • エンド・ツー・エンドのNMSフリー推論：NMSを排除し、より迅速でシンプルな導入を実現
  • ProgLoss + STAL: 特に小さなオブジェクトの精度を向上させる。
  • MuSGDオプティマイザー：SGDとMuon（MoonshotのKimi K2にインスパイアされた）を組み合わせ、より安定した効率的なトレーニングを実現。
  • CPU 推論が最大43%高速化：CPUデバイスのパフォーマンスが大幅に向上

YOLO26はどのような仕事をサポートするのですか？

YOLO26は、統一されたモデルファミリーとして設計されており、複数のコンピュータビジョンタスクをエンドツーエンドでサポートします：

各サイズバリエーション（n、s、m、l、x）は、リリース時にすべてのタスクをサポートするよう計画されている。

なぜYOLO26はエッジ展開に最適化されているのか？

YOLO26は、最先端のエッジ・パフォーマンスを提供する：

  • CPU 推論が最大43%高速化
  • モデルサイズとメモリフットプリントの削減
  • 互換性のために簡素化されたアーキテクチャ（DFLなし、NMSなし）
  • TensorRT、ONNX、CoreML、TFLite、OpenVINO含む柔軟なエクスポート形式

YOLO26モデルはいつ発売されますか？

YOLO26のモデルはまだトレーニング中であり、オープンソース化されていない。パフォーマンス・プレビューはここに掲載されており、近い将来に正式なダウンロードとリリースが予定されている。 YOLO26については、YOLO ビジョン2025をご覧ください。



📅 作成日 0日前 ✏️ 更新日 0日前
Laughing-q UltralyticsAssistant

コメント