Ultralytics YOLO26#

개요#

Ultralytics YOLO26은 Ultralytics YOLO26 paper에 설명된 실시간 비전 모델의 통합 패밀리입니다. 네이티브 엔드투엔드 추론, 더 가벼워진 탐지 헤드, 업데이트된 학습 레시피, 그리고 탐지, 세그멘테이션, 포즈 추정, 분류, 지향성 탐지를 위한 태스크별 헤드를 도입합니다.

5가지 탐지 스케일에 걸쳐 YOLO26은 1.7-11.8 ms T4 TensorRT 지연 시간에서 COCO 기준 40.9-57.5 mAP를 달성합니다. 또한, 해당 논문은 Intel Xeon CPU @ 2.00 GHz 환경에서 YOLO11n 대비 YOLO26n의 CPU ONNX 추론 속도가 최대 43% 더 빠름을 보고합니다.

from ultralytics import YOLO

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

YOLO26 모델 제품군은 다음 4가지 설계 영역을 중심으로 구축되었습니다:

• 네이티브 엔드투엔드 추론: 기본 일대일(one-to-one) 탐지 헤드는 NMS(비최대 억제) 없이 예측을 생성하여 배포를 간소화하고 후처리를 줄입니다.
• 더 가벼워진 박스 회귀: YOLO26은 DFL(분산 초점 손실)을 제거하여, 제약 없는 회귀 범위를 유지하면서도 탐지 헤드의 복잡성을 줄였습니다.
• 학습 레시피 업데이트: 학습 파이프라인은 MuSGD(하이브리드 Muon + SGD 옵티마이저), Progressive Loss, 그리고 STAL(Small-Target-Aware Label Assignment)을 결합하여 최적화를 개선하고, 추론 시간 헤드로 슈퍼비전을 이동시키며, 소형 객체에 대한 긍정 레이블 커버리지를 유지합니다. 릴리스된 체크포인트 뒤에 숨겨진 전체 하이퍼파라미터는 YOLO26 Training Recipe guide에 문서화되어 있습니다.
• 작업별 헤드 및 손실 함수: YOLO26은 인스턴스 세그멘테이션, 시맨틱 세그멘테이션 변형, 포즈 추정 및 지향성 탐지를 위한 목표 설계를 추가하는 동시에, 모든 작업에서 단일 모델 파이프라인을 유지합니다.

이러한 업데이트들을 통해 모델 스케일 및 배포 대상 전반에서 정확도와 지연 시간 사이의 트레이드오프가 개선됩니다.

주요 특징#

• DFL-Free 회귀 YOLO26은 DFL(분산 초점 손실)을 제거하여 탐지 헤드의 복잡성을 줄이고 내보내기(export) 과정을 단순화합니다.

• 엔드투엔드 NMS-Free 추론 별도의 후처리 단계로 NMS에 의존하는 기존 탐지기와 달리, YOLO26은 기본적으로 네이티브 엔드투엔드 방식을 취합니다. 예측이 직접 생성되므로 지연 시간이 줄어들고 프로덕션 통합이 더 간편해집니다.

• Progressive Loss + STAL Progressive Loss는 학습의 초점을 추론 시점의 헤드로 전환하며, STAL은 작은 객체에 대한 양성 라벨 커버리지를 향상시킵니다.

• MuSGD 옵티마이저 대규모 언어 모델 학습의 최적화 아이디어를 컴퓨터 비전에 맞게 적용하여 SGD와 Muon을 결합한 하이브리드 옵티마이저입니다.

• 효율적인 배포 간소화된 헤드와 NMS-Free 기본 경로를 통해 내보내기 대상 및 하드웨어 프로필 전반에서 추론 오버헤드가 감소합니다. 논문에서는 YOLO11n 대비 YOLO26n의 CPU ONNX 속도 향상이 보고되었습니다.

• 인스턴스 세그멘테이션 강화 모델 수렴을 개선하기 위한 시맨틱 세그멘테이션 손실과, 멀티 스케일 정보를 활용하여 마스크 품질을 높인 업그레이드된 proto 모듈을 도입했습니다. 논문에 따르면 COCO 인스턴스 세그멘테이션에서 YOLO11 대비 박스 AP 최대 +2.5, 마스크 AP 최대 +3.7 향상을 기록했습니다.

• 정밀 포즈 추정 더 정확한 키포인트 지역화를 위해 Residual Log-Likelihood Estimation (RLE)을 통합하고 추론 속도 향상을 위해 디코딩 프로세스를 최적화합니다. 논문에서는 COCO 포즈 추정에서 YOLO11 대비 최대 +7.2 AP 향상을 보고합니다.

• 개선된 OBB 디코딩 정사각형 객체에 대한 탐지 정확도를 개선하기 위해 특수 각도 손실(angle loss)을 도입하고, 경계 불연속성 문제를 해결하기 위해 OBB 디코딩을 최적화했습니다. 논문에서는 DOTA-v1.0 지향성 탐지에서 YOLO11 대비 mAP 최대 +3.4 향상을 보고합니다.

지원되는 작업 및 모드#

YOLO26은 5가지 모델 스케일에 걸쳐 표준 Ultralytics 작업 세트를 지원합니다:

이 통합 프레임워크는 실시간 탐지, 인스턴스 세그멘테이션, 의미론적 세그멘테이션, 단안 깊이 추정, 분류, 자세 추정 및 지향 객체 탐지를 지원하며, 학습, 검증, 추론 및 내보내기 기능을 제공합니다.

성능 지표#

파라미터 및 FLOPs 값은 Conv 및 BatchNorm 레이어를 병합하고 보조 일대다(one-to-many) 탐지 헤드를 제거하는 model.fuse() 이후의 융합된 모델 기준입니다. 사전 학습된 체크포인트는 전체 학습 아키텍처를 유지하므로 더 높은 수치를 나타낼 수 있습니다.

사용 예제#

이 섹션에서는 간단한 YOLO26 학습 및 추론 예시를 제공합니다. 이러한 modes 및 기타 모드에 대한 전체 문서는 Predict, Train, Val 및 Export 문서 페이지를 참조하세요.

아래 예시는 object detection을 위한 YOLO26 Detect 모델에 대한 것입니다. 지원되는 추가 작업은 Segment, Semantic Segmentation, Depth, Classify, Pose, 및 OBB 문서에서 확인하십시오.

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-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: 오픈 어휘 탐지 및 세그멘테이션#

YOLO26은 학습 시점에 학습된 고정 클래스 목록 대신 텍스트 프롬프트, 시각적 프롬프트, 또는 프롬프트 프리 모드에서 객체 카테고리를 탐지하고 세그멘테이션하는 오픈 어휘(open-vocabulary) 변형인 YOLOE-26도 구동합니다. YOLOE-26은 YOLO26의 NMS 없는 엔드투엔드(e2e) 설계를 유지하므로, 대상 카테고리가 시간에 따라 변경되는 동적 환경에서도 오픈 어휘 추론이 충분히 빠르게 유지됩니다. YOLOE-26x는 텍스트 프롬프팅 시 LVIS minival에서 40.6 AP, 시각적 프롬프팅 시 38.5 AP, 프롬프트 프리 Non-E2E 설정에서 31.1 AP에 도달합니다.

스케일별 성능 표, 프롬프트 프리 변형, 전체 사용 예시는 **YOLOE documentation**을 참조하세요.

인용 및 감사의 글#

YOLO26 아키텍처, 학습 레시피, 태스크 헤드, 그리고 YOLOE-26 오픈 어휘 확장 기능에 대한 완전한 기술적 설명은 Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models을 읽어보세요. 연구에서 YOLO26을 사용하는 경우 다음을 인용해 주세요:

@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 코드, 모델, 문서는 AGPL-3.0 및 Enterprise 라이선스에 따라 Ultralytics GitHub repository와 Ultralytics Docs에서 제공됩니다.

FAQ#

YOLO26의 주요 개선 사항은 무엇입니까?#

• DFL-free 회귀: 탐지 헤드 및 내보내기 경로 간소화
• 엔드투엔드 NMS-free 추론: 기본 추론 경로에서 NMS 제거
• Progressive Loss + STAL: 학습 정렬 및 소형 객체 레이블 커버리지 향상
• MuSGD 옵티마이저: 안정적인 학습을 위해 SGD와 Muon 기반 최적화를 결합
• 태스크별 헤드 및 손실 함수: 세그멘테이션, 포즈 및 방향 탐지 지원 향상

YOLO26은 어떤 태스크를 지원합니까?#

YOLO26은 통합 모델 제품군으로, 다중 컴퓨터 비전 태스크에 대해 엔드투엔드 지원을 제공합니다:

• 객체 탐지
• 인스턴스 세그멘테이션
• 시맨틱 세그멘테이션
• 단안 깊이 추정
• 이미지 분류
• 포즈 추정
• 지향성 객체 탐지 (OBB)

각 크기 변형(n, s, m, l, x)은 모든 태스크를 지원하며, YOLOE-26을 통한 오픈 어휘 버전도 지원합니다.

YOLO26이 배포에 효율적인 이유는 무엇입니까?#

YOLO26은 다음과 같은 기능으로 배포 효율성을 향상시킵니다:

• 기본적으로 NMS가 필요 없는 네이티브 엔드투엔드(end-to-end) 추론
• DFL 없는 회귀(regression) 및 더 가벼워진 탐지 헤드
• 학습 전용 보조 구성 요소를 제거하는 퓨즈드 모델(fused-model) 내보내기
• Intel Xeon CPU @ 2.00 GHz 환경에서 YOLO11n 대비 YOLO26n의 CPU ONNX 추론 속도가 최대 43% 향상됨
• TensorRT, ONNX, CoreML, LiteRT 및 OpenVINO를 포함한 유연한 내보내기 형식

YOLO26을 시작하려면 어떻게 해야 합니까?#

YOLO26 모델은 ultralytics 패키지를 통해 다운로드할 수 있습니다. 패키지를 설치하거나 업데이트하고 모델을 로드하세요:

from ultralytics import YOLO

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

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

학습, 검증, 내보내기 지침은 Usage Examples 섹션을 참조하세요.