Ultralytics YOLO26

개요

Ultralytics YOLO26은 실시간 객체 감지기인 YOLO 시리즈의 최신 진화 버전으로, 엣지 및 저전력 장치를 위해 처음부터 엔지니어링되었습니다. 불필요한 복잡성을 제거하고 대상 혁신을 통합하여 더 빠르고 가벼우며 접근성이 뛰어난 배포를 제공하는 간소화된 디자인을 도입했습니다.

YOLO26의 아키텍처는 세 가지 핵심 원칙에 따라 설계되었습니다.

• 단순성: YOLO26은 NMS(non-maximum suppression) 없이 직접 예측을 생성하는 네이티브 종단 간 모델입니다. 이 후처리 단계를 제거함으로써 추론이 더 빠르고 가벼워지며 실제 시스템에 배포하기가 더 쉬워집니다. 이 획기적인 접근 방식은 칭화대학교의 Ao Wang이 YOLOv10에서 처음 개척했으며, YOLO26에서 더욱 발전되었습니다.
• 배포 효율성: 엔드 투 엔드 설계는 파이프라인의 전체 단계를 줄여 통합을 획기적으로 단순화하고 대기 시간을 줄이며 다양한 환경에서 배포를 더욱 강력하게 만듭니다.
• 훈련 혁신: YOLO26은 MuSGD 옵티마이저를 도입합니다. 이는 Moonshot AI의 Kimi K2 LLM 훈련의 혁신에서 영감을 받은 SGD와 Muon의 하이브리드입니다. 이 옵티마이저는 향상된 안정성과 더 빠른 수렴을 제공하며, 언어 모델의 최적화 발전을 컴퓨터 비전으로 이전합니다.
• 작업별 최적화: YOLO26은 Segmentation을 위한 의미론적 분할 손실 및 다중 스케일 프로토 모듈, 고정밀 Pose 추정을 위한 잔차 로그-우도 추정(RLE), 그리고 OBB의 경계 문제를 해결하기 위한 각도 손실을 사용한 최적화된 디코딩을 포함하여 특수 작업에 대한 맞춤형 개선 사항을 도입합니다.

이러한 혁신은 소형 객체에서 더 높은 정확도를 달성하고 원활한 배포를 제공하며 CPU에서 최대 43% 더 빠르게 실행되는 모델 제품군을 제공하여 YOLO26을 리소스가 제한된 환경에서 가장 실용적이고 배포 가능한 YOLO 모델 중 하나로 만듭니다.

주요 기능

• DFL 제거
  분포 초점 손실(DFL) 모듈은 효과적이기는 하지만 내보내기가 복잡하고 하드웨어 호환성이 제한되는 경우가 많습니다. YOLO26은 DFL을 완전히 제거하여 추론을 간소화하고 에지 및 저전력 디바이스에 대한 지원을 확대합니다.

• 종단 간 NMS-Free 추론
  NMS를 별도의 후처리 단계로 사용하는 기존 detect 모델과 달리, YOLO26은 네이티브 종단 간 모델입니다. 예측이 직접 생성되어 지연 시간을 줄이고 프로덕션 시스템으로의 통합을 더 빠르고, 가볍고, 안정적으로 만듭니다.

• ProgLoss + STAL
  향상된 손실 기능으로 감지 정확도가 향상되어 IoT, 로봇 공학, 항공 이미지 및 기타 에지 애플리케이션의 핵심 요구 사항인 작은 물체 인식이 눈에 띄게 개선되었습니다.

• MuSGD Optimizer
  SGD와 Muon을 결합한 새로운 하이브리드 Optimizer입니다. Moonshot AI의 Kimi K2에서 영감을 받아, MuSGD는 LLM 훈련의 고급 최적화 방법을 컴퓨터 비전에 도입하여 더 안정적인 훈련과 더 빠른 수렴을 가능하게 합니다.

• 최대 43% 빨라진 CPU 추론
  특히 엣지 컴퓨팅에 최적화된 YOLO26은 훨씬 빠른 CPU 추론을 제공하여 GPU가 없는 디바이스에서도 실시간 성능을 보장합니다.

• 인스턴스 분할 개선 사항
  모델 수렴을 개선하기 위한 의미론적 분할 손실과 우수한 마스크 품질을 위해 다중 스케일 정보를 활용하는 업그레이드된 프로토 모듈을 도입합니다.

• 정밀 자세 추정
  은 잔차 로그 가능도 추정 (RLE)을 통합하여 더 정확한 키포인트 위치를 파악하고, 추론 속도 향상을 위해 디코딩 과정을 최적화합니다.

• 정제된 OBB 디코딩
  사각형 객체에 대한 탐지 정확도를 향상시키기 위해 특수한 각도 손실 함수를 도입하고, 경계 불연속성 문제를 해결하기 위해 OBB 디코딩을 최적화합니다.

지원되는 작업 및 모드

YOLO26은 이전 Ultralytics YOLO 릴리스에서 확립된 다재다능한 모델 범위를 기반으로 하며, 다양한 컴퓨터 비전 작업에 걸쳐 향상된 지원을 제공합니다.

이 통합 프레임워크는 YOLO26이 실시간 감지, 분할, 분류, 포즈 추정 및 방향 객체 감지 전반에 걸쳐 적용 가능하도록 보장하며, 이 모든 것이 훈련, 유효성 검사, 추론 및 내보내기를 지원합니다.

성능 지표

사용 예시

이 섹션에서는 간단한 YOLO26 학습 및 추론 예시를 제공합니다. 이러한 모드 및 기타 모드에 대한 전체 문서는 예측, 학습, 검증 및 내보내기 문서 페이지를 참조하십시오.

아래 예시는 객체 detect를 위한 YOLO26 Detect 모델에 대한 것임을 참고하십시오. 추가로 지원되는 작업에 대해서는 Segment, Classify, OBB 및 Pose 문서를 참조하십시오.

from ultralytics import YOLO

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

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

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

# Load a COCO-pretrained YOLO26n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo26n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLO26n model and run inference on the 'bus.jpg' image
yolo predict model=yolo26n.pt source=path/to/bus.jpg

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

# Use one-to-one head (default, no NMS required)
yolo predict model=yolo26n.pt source=image.jpg
yolo val model=yolo26n.pt data=coco.yaml
yolo export model=yolo26n.pt format=onnx

# Use one-to-many head (requires NMS)
yolo predict model=yolo26n.pt source=image.jpg end2end=False
yolo val model=yolo26n.pt data=coco.yaml end2end=False
yolo export model=yolo26n.pt format=onnx end2end=False

YOLOE-26: 개방형 어휘 인스턴스 분할

YOLOE-26은 고성능 YOLO26 아키텍처를 YOLOE 시리즈의 개방형 어휘(open-vocabulary) 기능과 통합합니다. 이를 통해 텍스트 프롬프트, 시각적 프롬프트 또는 제로샷 추론을 위한 프롬프트 없는 모드를 사용하여 모든 객체 클래스의 실시간 detect 및 segment를 가능하게 하며, 고정된 카테고리 학습의 제약을 효과적으로 제거합니다.

YOLO26의 NMS-free, 종단 간(end-to-end) 설계를 활용하여 YOLOE-26은 빠른 개방형 세계(open-world) 추론을 제공합니다. 이는 관심 객체가 광범위하고 진화하는 어휘를 나타내는 동적 환경의 엣지 애플리케이션을 위한 강력한 솔루션입니다.

사용 예시

YOLOE-26은 텍스트 기반 및 시각적 프롬프팅을 모두 지원합니다. 프롬프트 사용은 간단합니다. 다음을 통해 전달하기만 하면 됩니다. predict 메서드는 아래와 같습니다.

from ultralytics import YOLO

# Initialize model
model = YOLO("yoloe-26l-seg.pt")  # or select yoloe-26s/m-seg.pt for different sizes

# Set text prompt to detect person and bus. You only need to do this once after you load the model.
names = ["person", "bus"]
model.set_classes(names, model.get_text_pe(names))

# Run detection on the given image
results = model.predict("path/to/image.jpg")

# Show results
results[0].show()

import numpy as np

from ultralytics import YOLO
from ultralytics.models.yolo.yoloe import YOLOEVPSegPredictor

# Initialize model
model = YOLO("yoloe-26l-seg.pt")

# Define visual prompts using bounding boxes and their corresponding class IDs.
# Each box highlights an example of the object you want the model to detect.
visual_prompts = dict(
    bboxes=np.array(
        [
            [221.52, 405.8, 344.98, 857.54],  # Box enclosing person
            [120, 425, 160, 445],  # Box enclosing glasses
        ],
    ),
    cls=np.array(
        [
            0,  # ID to be assigned for person
            1,  # ID to be assigned for glasses
        ]
    ),
)

# Run inference on an image, using the provided visual prompts as guidance
results = model.predict(
    "ultralytics/assets/bus.jpg",
    visual_prompts=visual_prompts,
    predictor=YOLOEVPSegPredictor,
)

# Show results
results[0].show()

from ultralytics import YOLO

# Initialize model
model = YOLO("yoloe-26l-seg-pf.pt")

# Run prediction. No prompts required.
results = model.predict("path/to/image.jpg")

# Show results
results[0].show()

프롬프팅 기술, 처음부터 훈련하는 방법, 전체 사용 예시에 대해 자세히 알아보려면 YOLOE 문서를 방문하십시오.

인용 및 감사의 말씀

YOLO26 또는 다른 Ultralytics 소프트웨어를 사용하는 경우 다음과 같이 인용해 주십시오.

@software{yolo26_ultralytics,
  author = {Glenn Jocher and Jing Qiu},
  title = {Ultralytics YOLO26},
  version = {26.0.0},
  year = {2026},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

DOI는 보류 중입니다. YOLO26은 AGPL-3.0 및 Enterprise 라이선스 하에 사용할 수 있습니다.

FAQ

YOLO26은 YOLO11과 비교하여 어떤 주요 개선 사항이 있습니까?

• DFL 제거: 내보내기를 간소화하고 엣지 호환성을 확장합니다.
• End-to-End NMS-Free 추론: NMS를 제거하여 더 빠르고 간단한 배포를 가능하게 합니다.
• ProgLoss + STAL: 특히 작은 객체에서 정확도를 향상시킵니다.
• MuSGD Optimizer: SGD와 Muon을 결합하여 (Moonshot의 Kimi K2에서 영감) 더 안정적이고 효율적인 훈련을 제공합니다.
• 최대 43% 더 빠른 CPU 추론: CPU 전용 장치에 대한 주요 성능 향상

YOLO26은 어떤 작업을 지원합니까?

YOLO26은 통합 모델 제품군으로, 다양한 컴퓨터 비전 작업에 대한 엔드투엔드 지원을 제공합니다:

• 객체 감지
• 인스턴스 분할
• 이미지 분류
• 포즈 추정
• 방향 객체 감지 (OBB)

각 크기 변형(n, s, m, l, x)은 모든 작업을 지원하며, 또한 YOLOE-26을 통한 개방형 어휘 버전을 지원합니다.

YOLO26은 왜 엣지 배포에 최적화되어 있습니까?

YOLO26은 다음을 통해 최첨단 엣지 성능을 제공합니다.

• 최대 43% 더 빠른 CPU 추론
• 모델 크기 및 메모리 공간 축소
• 호환성을 위해 간소화된 아키텍처 (DFL 없음, NMS 없음)
• TensorRT, ONNX, CoreML, TFLite 및 OpenVINO를 포함한 유연한 내보내기 형식

YOLO26을 어떻게 시작할 수 있습니까?

YOLO26 모델은 2026년 1월 14일에 출시되었으며 다운로드할 수 있습니다. 다음을 설치하거나 업데이트하십시오. ultralytics 패키지를 설치하고 모델을 로드하십시오:

from ultralytics import YOLO

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

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

훈련, 검증 및 내보내기 지침은 사용 예시 섹션을 참조하십시오.

5; 3 전에 생성됨 ✏️ 0 전에 업데이트됨

댓글