コンテンツにスキップ

Ultralytics YOLO26

近日公開 ⚠️

🚧 YOLOv26モデルは現在開発中であり、まだリリースされていません。ここに示されているパフォーマンス数値はプレビューのみです。 最終的なダウンロードとリリースはまもなく行われます。最新情報については、YOLO Vision 2025をご覧ください。

概要

Ultralytics YOLO26は、リアルタイムオブジェクト検出器であるYOLOシリーズの最新の進化版であり、エッジおよび低電力デバイス向けにゼロから設計されています。不要な複雑さを排除し、的を絞ったイノベーションを統合することで、より高速、軽量、かつアクセスしやすい展開を実現する、合理化された設計を導入しています。

YOLO26のアーキテクチャは、3つのコア原則に基づいて設計されています。

  • シンプルさ： YOLO26はネイティブなエンドツーエンドモデルであり、Non-Maximum Suppression（NMS）を必要とせずに直接予測を生成します。このポストプロセッシングのステップを排除することで、推論がより高速、軽量になり、実際のシステムへの展開が容易になります。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でさらに進化しました。
  • 展開効率： エンドツーエンド設計により、パイプライン全体のステージが削減され、統合が大幅に簡素化され、遅延が減少し、多様な環境での展開がより堅牢になります。
  • トレーニングの革新： YOLO26は、SGDとMuonのハイブリッドであるMuSGDオプティマイザーを導入しました。これは、Moonshot AIのKimi K2によるLLMトレーニングのブレークスルーに触発されたものです。このオプティマイザーは、安定性の向上と収束の高速化をもたらし、言語モデルからコンピュータービジョンへの最適化の進歩を転換します。

これらのイノベーションにより、小型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提供し、CPUで最大43%高速に動作するモデルファミリーが実現しました。これにより、YOLO26は、リソースが制約された環境にとって、これまでで最も実用的で展開可能なYOLOモデルの1つとなっています。

Ultralytics YOLO26比較プロット

主な特徴

  • DFLの削除
    Distribution Focal Loss（DFL）モジュールは効果的ですが、エクスポートを複雑にし、ハードウェアの互換性を制限することがよくありました。YOLO26はDFLを完全に削除し、推論を簡素化し、エッジおよび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NMSフリー推論
    NMSを個別のポストプロセッシングステップとして利用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、遅延が減少し、本番システムへの統合がより高速、軽量、かつ信頼性が高くなります。

  • ProgLoss + STAL
    改善された損失関数により検出精度が向上し、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型オブジェクト認識が大幅に改善されています。

  • 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に触発されたMuSGDは、LLMトレーニングからの高度な最適化手法をコンピュータービジョンに導入し、より安定したトレーニングとより高速な収束を可能にします。

  • 最大43%高速なCPU推論
    エッジコンピューティング向けに特別に最適化されたYOLO26は、GPUなしのデバイスでもリアルタイムパフォーマンスを保証する、大幅に高速なCPU推論を提供します。

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ービジョンの課題にわたってYOLOの汎用性を拡張します。

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-pose 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、姿勢推定、および方向指定されたオブジェクト検出に適用可能となり、トレーニング、検証、推論、およびエクスポートのすべてをサポートします。

パフォーマンス指標

パフォーマンスプレビュー

以下のベンチマークは初期プレビューです。最終的な数値とダウンロード可能な重みは、トレーニング完了後にリリースされます。

80個の事前学習済みクラスでCOCOで学習。 モデルがリリースされたら、使用方法について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およびYOLO26xのメトリクスは現在準備中です。最終的なベンチマークはここに追加されます。

パフォーマンス指標は近日公開予定です。

パフォーマンス指標は近日公開予定です。

パフォーマンス指標は近日公開予定です。

パフォーマンス指標は近日公開予定です。

引用と謝辞

Ultralytics YOLO26の公開

Ultralyticsは、モデルの急速な進化のため、YOLO26に関する正式な研究論文を公開していません。代わりに、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の機能、アーキテクチャ、および使用方法に関する最新のアップデートについては、GitHubリポジトリおよびドキュメントをご覧ください。

YOLO26またはその他のUltralyticsソフトウェアをあなたの研究で使用する場合は、次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は保留中です。YOLO26は、AGPL-3.0およびEnterpriseライセンスの下で利用可能です。

よくある質問

YOLO11と比較して、YOLO26の主な改善点は何ですか？

  • DFL削除：エクスポートを簡素化し、エッジ互換性を拡張します
  • エンドツーエンドNMSフリー推論：より高速でシンプルなデプロイメントのためにNMSを排除
  • ProgLoss + STAL：特に小さなオブジェクトの精度を向上
  • MuSGDオプティマイザー：より安定した効率的なトレーニングのために、SGDとMuon（MoonshotのKimi K2に触発された）を組み合わせる
  • 最大43%高速なCPU推論：CPUのみのデバイスのパフォーマンスが大幅に向上

YOLO26はどのようなタスクをサポートしますか？

YOLO26は、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する統合モデルファミリーとして設計されています。

各サイズバリアント（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予定です。

YOLO26がエッジ展開に最適化されているのはなぜですか？

YOLO26は、以下により最先端のエッジパフォーマンスを提供します。

  • 最大43%高速なCPU推論
  • モデルサイズとメモリフットプリントの削減
  • 互換性のためにアーキテクチャを簡素化（DFL、NMSなし）
  • TensorRT、ONNX、CoreML、TFLite、OpenVINOなどの柔軟なエクスポート形式

YOLO26モデルはいつ利用可能になりますか？

YOLO26モデルは現在もトレーニング中であり、まだオープンソース化されていません。パフォーマンスのプレビューをここに示します。公式ダウンロードとリリースは近い将来に計画されています。 YOLO Vision 2025でYOLO26の講演をご覧ください。



📅作成 21日前 ✏️更新日: 2日前
glenn-jocher Y-T-G Laughing-q

コメント