Ultralytics YOLO26#

概要#

Ultralytics YOLO26は、Ultralytics YOLO26論文で説明されているリアルタイムビジョンモデルの統合ファミリーです。ネイティブなエンドツーエンド推論、より軽量な検出ヘッド、更新されたトレーニングレシピ、検出、セグメンテーション、ポーズ推定、分類、方向付き検出用のタスク固有ヘッドを導入しています。

5つの検出スケール全体で、YOLO26はCOCOで40.9～57.5 mAP、T4 TensorRTレイテンシ1.7～11.8 msを達成します。また論文では、Intel Xeon CPU @ 2.00 GHz上で、YOLO11nと比較してYOLO26nのCPU ONNX推論が最大43%高速になることが報告されています。

アーキテクチャ、タスク、および予備的なベンチマークの計画については、未公開の YOLO27 プレビューをご覧ください。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained YOLO26n model
results = model("path/to/bus.jpg")  # run inference

YOLO26モデルファミリーは、次の4つの設計領域を中心に構築されています。

• ネイティブエンドツーエンド推論： オプションの1対1検出ヘッドにより、非最大値抑制（NMS）なしで予測を生成し、デプロイを簡素化して後処理を削減します。
• 軽量なボックス回帰: YOLO26は分布焦点損失（DFL）を削除し、制約のない回帰範囲を維持しながら検出ヘッドの複雑さを軽減します。
• トレーニングレシピの更新: トレーニングパイプラインは、MuSGD（MuonとSGDを組み合わせたハイブリッドオプティマイザー）、Progressive Loss、STAL（Small-Target-Aware Label Assignment）を組み合わせ、最適化を改善し、推論時のヘッドに対してより強く教師信号を与え、小さな物体に対する正のラベルのカバレッジを維持します。リリース済みチェックポイントで使用された完全なハイパーパラメーターは、YOLO26トレーニングレシピガイドに記載されています。
• タスク固有のヘッドと損失: YOLO26は、インスタンスセグメンテーション、セマンティックセグメンテーションのバリエーション、ポーズ推定、方向付き検出向けに特化した設計を追加しながら、タスク間で単一のモデルパイプラインを維持します。

これらの更新により、モデルのスケールとデプロイ対象全体で、精度とレイテンシのトレードオフが改善されます。

主な特徴#

• DFLなしの回帰 YOLO26は分布焦点損失（DFL）を削除し、検出ヘッドの複雑さを軽減するとともに、エクスポートを簡素化します。

• エンドツーエンドのNMSフリー推論 YOLO26は、nms=Falseによるネイティブエンドツーエンド推論をサポートし、個別のNMSパスなしで予測を生成します。デフォルトの1対多パスでは、精度のためにNMSを使用します。

• Progressive Loss + STAL Progressive Lossはトレーニング時の重点を推論時のヘッドに移し、STALは小さな物体に対する正のラベルのカバレッジを改善します。

• MuSGDオプティマイザー SGDとMuonを組み合わせ、大規模言語モデルのトレーニングで用いられる最適化の考え方をコンピュータービジョンに適応させたハイブリッドオプティマイザーです。

• 効率的なデプロイ 簡素化されたヘッドとオプションのNMSフリーパスにより、論文で報告されているYOLO26n対YOLO11nのCPU ONNX速度向上を含め、エクスポートターゲットおよびハードウェアプロファイル全体で推論のオーバーヘッドが削減されます。

• インスタンスセグメンテーションの強化 セマンティックセグメンテーション損失を導入してモデルの収束を改善し、マルチスケール情報を活用する改良版protoモジュールによってマスク品質を向上させます。論文では、COCOインスタンスセグメンテーションにおいて、YOLO11を上回る最大+2.5 box APおよび+3.7 mask APが報告されています。

• 高精度ポーズ推定 Residual Log-Likelihood Estimation（RLE）を統合してキーポイントの位置特定精度を高め、デコーディング処理を最適化して推論速度を向上させます。論文では、COCOポーズ推定においてYOLO11を最大+7.2 AP上回ることが報告されています。

• 改良されたOBBデコーディング 正方形の物体に対する検出精度を向上させる専用の角度損失を導入し、OBBデコーディングを最適化して境界の不連続性の問題を解消します。論文では、DOTA-v1.0の方向付き検出においてYOLO11を最大+3.4 mAP上回ることが報告されています。

サポートされるタスクとモード#

YOLO26は、5つのモデルスケールにわたって標準的なUltralyticsタスクセットをサポートします。

この統合フレームワークは、トレーニング、検証、推論、エクスポートをサポートし、リアルタイム検出、インスタンスセグメンテーション、セマンティックセグメンテーション、単眼深度推定、分類、ポーズ推定、方向付き物体検出をカバーします。

性能指標#

パラメータ数とFLOPsの値は、Conv/BatchNormの畳み込みおよび未使用の検出ブランチの削除後における、融合済みモデルのものです。速度測定では、nms=Falseを指定したNMSフリーヘッドを選択しています。事前学習済みチェックポイントは完全な学習アーキテクチャを保持しており、より高い数値を測る場合があります。

使用例#

このセクションでは、YOLO26のトレーニングと推論の簡単な例を紹介します。これらおよびその他のモードの完全なドキュメントについては、Predict、Train、Val、Exportのドキュメントページを参照してください。

以下の例は、物体検出用のYOLO26 Detectモデルを対象としていることに注意してください。その他のサポート対象タスクについては、Segment、セマンティックセグメンテーション、Depth、Classify、Pose、OBBのドキュメントを参照してください。

from ultralytics import YOLO

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

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

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

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

# Opt into the NMS-free one-to-one head
results = model.predict("image.jpg", nms=False)  # inference
metrics = model.val(data="coco.yaml", nms=False)  # validation
model.export(format="onnx", nms=False)  # export

YOLOE-26: オープンボキャブラリー検出とセグメンテーション#

YOLO26はまた、学習時に学習した固定のクラスリストの代わりに、テキストプロンプト、ビジュアルプロンプト、またはプロンプトフリーモードからオブジェクトカテゴリを検出しセグメント化するオープンボキャブラリバリアントであるYOLOE-26の基盤にもなっています。YOLOE-26はYOLO26のオプションであるNMSフリーのエンドツーエンド（e2e）ヘッドを維持しているため、ターゲットカテゴリが時間とともに変化する動的な環境でも、オープンボキャブラリの推論速度は十分高速な状態を維持します。YOLOE-26xは、テキストプロンプティングではLVIS minivalで40.6 AP、ビジュアルプロンプティングでは38.5 AP、プロンプトフリーでは31.1 APに達します。これは論文のNon-E2Eの数値であり、エンドツーエンドヘッドはそれらを1.1、2.3、1.2 AP下回っています。

スケールごとの性能表、プロンプトなしのバリアント、完全な使用例については、**YOLOEドキュメント**を参照してください。

引用と謝辞#

YOLO26アーキテクチャ、トレーニングレシピ、タスクヘッド、YOLOE-26オープンボキャブラリー拡張の完全な技術説明については、Ultralytics YOLO26: 統合されたリアルタイムエンドツーエンドビジョンモデルをお読みください。研究でYOLO26を使用する場合は、次を引用してください。

@misc{jocher2026ultralyticsyolo26unifiedrealtime,
  title = {Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models},
  author = {Glenn Jocher and Jing Qiu and Mengyu Liu and Shuai Lyu and Fatih Cagatay Akyon and Muhammet Esat Kalfaoglu},
  year = {2026},
  eprint = {2606.03748},
  archivePrefix = {arXiv},
  primaryClass = {cs.CV},
  doi = {10.48550/arXiv.2606.03748},
  url = {https://arxiv.org/abs/2606.03748},
}

YOLO26のコード、モデル、ドキュメントは、AGPL-3.0およびエンタープライズライセンスの下で、Ultralytics GitHubリポジトリとUltralytics Docsから利用できます。

FAQ#