Ultralytics YOLO26#

개요#

Ultralytics YOLO26은 Ultralytics YOLO26 논문에 설명된 실시간 비전 모델의 통합 제품군입니다. 네이티브 엔드투엔드 추론, 더 가벼운 detection head, 업데이트된 training recipe, 그리고 detection, segmentation, pose estimation, classification, oriented detection을 위한 task-specific head를 도입합니다.

YOLO26은 5개의 detection scale에서 COCO에서 40.9-57.5 mAP와 1.7-11.8 ms T4 TensorRT latency를 달성합니다. 또한 이 논문에서는 Intel Xeon CPU @ 2.00 GHz에서 YOLO11n 대비 YOLO26n의 CPU ONNX inference가 최대 43% 더 빠르다고 보고합니다.

계획된 아키텍처, 태스크, 그리고 예비 벤치마크에 대해서는 미출시 YOLO27 미리보기를 참고하시기 바랍니다.

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 네 가지 설계 영역을 중심으로 구축되었습니다:

• 기본형 엔드투엔드 추론: 선택적 일대일 탐지 헤드는 비최대억제(NMS) 없이 예측 결과를 생성하므로 배포가 간소화되고 후처리가 줄어듭니다.
• 더 가벼운 box regression: YOLO26은 분포 초점 손실(DFL)을 제거하여 제한 없는 regression 범위를 유지하면서 detection head의 복잡성을 줄입니다.
• Training recipe 업데이트: training pipeline은 MuSGD(Muon + SGD 하이브리드 optimizer), Progressive Loss, STAL(Small-Target-Aware Label Assignment)을 결합하여 optimization을 개선하고, supervision을 inference-time head 쪽으로 이동하며, small object에 대한 positive label coverage를 유지합니다. 공개된 checkpoint의 전체 hyperparameter는 YOLO26 Training Recipe 가이드에 문서화되어 있습니다.
• Task-specific head 및 loss: YOLO26은 instance segmentation, semantic segmentation 변형, pose estimation, oriented detection을 위한 특화 설계를 추가하면서도 task 전반에서 단일 model pipeline을 유지합니다.

이러한 업데이트를 통해 model scale과 deployment target 전반에서 accuracy-latency tradeoff가 향상됩니다.

주요 기능#

• DFL-Free Regression YOLO26은 분포 초점 손실(DFL)을 제거하여 detection head의 복잡성을 줄이고 export를 간소화합니다.

• 엔드투엔드 NMS 프리 추론 YOLO26은 nms=False을 사용한 기본형 엔드투엔드 추론을 지원하며, 별도의 NMS 패스 없이 예측 결과를 생성합니다. 기본값인 일대다 경로는 정확도를 위해 NMS를 사용합니다.

• Progressive Loss + STAL Progressive Loss는 training emphasis를 inference-time head 쪽으로 이동시키며, STAL은 small object에 대한 positive label coverage를 개선합니다.

• MuSGD Optimizer SGD와 Muon을 결합하고, large language model training의 optimization 아이디어를 computer vision에 적용하는 하이브리드 optimizer입니다.

• 효율적인 배포 간소화된 헤드와 선택적 NMS 프리 경로는 논문에서 보고된 YOLO11n 대비 YOLO26n의 CPU ONNX 속도 향상을 포함하여, 내보내기 타겟과 하드웨어 프로필 전반에서 추론 오버헤드를 줄입니다.

• Instance Segmentation Enhancements model convergence를 개선하기 위해 semantic segmentation loss를 도입하고, multi-scale 정보를 활용하는 업그레이드된 proto module을 통해 더 우수한 mask quality를 제공합니다. 논문에서는 COCO instance segmentation에서 YOLO11 대비 box AP 최대 +2.5, mask AP 최대 +3.7의 향상을 보고합니다.

• Precision Pose Estimation 더 정확한 keypoint localization을 위해 Residual Log-Likelihood Estimation(RLE)을 통합하고, inference speed 향상을 위해 decoding process를 최적화합니다. 논문에서는 COCO pose estimation에서 YOLO11 대비 최대 +7.2 AP의 향상을 보고합니다.

• Refined OBB Decoding square-shaped object의 detection accuracy를 개선하기 위해 특화된 angle loss를 도입하고, boundary discontinuity 문제를 해결하도록 OBB decoding을 최적화합니다. 논문에서는 DOTA-v1.0 oriented detection에서 YOLO11 대비 최대 +3.4 mAP의 향상을 보고합니다.

지원되는 태스크 및 모드#

YOLO26은 5개의 model scale에서 표준 Ultralytics task set을 지원합니다:

이 통합 framework는 training, validation, inference, export를 지원하며 실시간 detection, instance segmentation, semantic segmentation, monocular depth estimation, classification, pose estimation, oriented object detection을 포괄합니다.

성능 지표#

파라미터 및 FLOPs 값은 Conv/BatchNorm 폴딩과 미사용 탐지 브랜치 제거 후 융합된 모델 기준입니다. 속도 측정은 nms=False을 사용하여 NMS 프리 헤드를 선택합니다. 사전 훈련된 체크포인트는 전체 훈련 아키텍처를 유지하므로 더 높은 수치를 나타낼 수 있습니다.

사용 예시#

이 section에서는 간단한 YOLO26 training 및 inference 예시를 제공합니다. 이러한 mode와 기타 mode에 대한 전체 문서는 Predict, Train, Val, Export docs page를 참조하십시오.

아래 예시는 object detection을 위한 YOLO26 Detect model에 해당합니다. 추가로 지원되는 task는 Segment, Semantic Segmentation, Depth, Classify, Pose, OBB docs를 참조하십시오.

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: Open-Vocabulary Detection 및 Segmentation#

YOLO26은 또한 학습 시점에 학습된 고정 클래스 목록 대신 텍스트 프롬프트, 시각적 프롬프트 또는 프롬프트 없는 모드에서 객체 카테고리를 감지하고 세그멘테이션하는 오픈 바실러러리(open-vocabulary) 변형인 YOLOE-26을 구동합니다. YOLOE-26은 YOLO26의 선택적 NMS 없는 엔드투엔드(e2e) 헤드를 유지하므로, 타겟 카테고리가 시간에 따라 변경되는 동적 환경에서 오픈 바실러러리(open-vocabulary) 추론이 충분히 빠르게 유지됩니다. YOLOE-26x는 텍스트 프롬프팅에서 LVIS minival 기준으로 40.6 AP, 시각적 프롬프팅에서 38.5 AP, 프롬프트 없는 모드에서 31.1 AP를 달성합니다. 이는 논문의 Non-E2E 수치이며, 엔드투엔드 헤드는 이 수치보다 각각 1.1, 2.3, 1.2 AP 뒤처집니다.

scale별 performance table, prompt-free 변형, 전체 사용 예시는 **YOLOE documentation**을 참조하십시오.

인용 및 감사의 글#

YOLO26 architecture, training recipe, task head, YOLOE-26 open-vocabulary extension에 대한 완전한 technical description은 Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models를 읽어 보십시오. 연구에서 YOLO26을 사용하는 경우 다음을 인용해 주십시오:

@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 code, model, documentation은 AGPL-3.0 및 Enterprise license에 따라 Ultralytics GitHub repository와 Ultralytics Docs에서 제공됩니다.

FAQ#