콘텐츠로 건너뛰기

Ultralytics YOLO26

미리보기 전용 ⚠️

🚧 YOLO26 모델은 아직 개발 중이며 아직 출시되지 않았습니다. 여기에 표시된 성능 수치는 프리뷰일 뿐입니다.
최종 다운로드 및 출시는 곧 이루어질 예정이니 YOLO Vision 2025를 통해 계속 업데이트해 주세요.

개요

Ultralytics YOLO26은 처음부터 에지 및 저전력 디바이스를 위해 설계된 실시간 물체 감지기 YOLO 시리즈의 최신 버전입니다. 불필요한 복잡성을 제거하는 간소화된 설계를 도입하는 동시에 목표한 혁신을 통합하여 더 빠르고, 더 가볍고, 더 쉽게 배포할 수 있도록 지원합니다.

YOLO26의 아키텍처는 세 가지 핵심 원칙에 따라 설계되었습니다:

  • 단순성: YOLO26은 네이티브 엔드투엔드 모델로, 비최대 억제(NMS) 없이도 직접 예측을 생성합니다. 이러한 후처리 단계를 제거함으로써 추론이 더 빠르고 가벼워지며 실제 시스템에 더 쉽게 배포할 수 있습니다. 이 획기적인 접근 방식은 칭화대학교의 Ao Wang이 YOLOv10에서 처음 개척했으며, YOLO26에서 더욱 발전했습니다.
  • 배포 효율성: 엔드투엔드 설계로 파이프라인의 전체 단계를 생략하여 통합을 획기적으로 간소화하고 지연 시간을 줄이며 다양한 환경에 걸쳐 배포를 더욱 강력하게 만듭니다.
  • 트레이닝 혁신: YOLO26은 문샷 AI의 Kimi K2가 LLM 훈련 분야에서 이룬 획기적인 성과에서 영감을 받아 SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 출시합니다. 이 옵티마이저는 향상된 안정성과 빠른 융합을 제공하며, 언어 모델의 최적화 발전을 컴퓨터 비전으로 이전합니다.

이러한 혁신을 통해 작은 물체에서 더 높은 정확도를 달성하고, 원활한 배포를 제공하며, CPU에서 최대 43% 더 빠르게 실행되는 모델 제품군을 제공함으로써 YOLO26은 리소스가 제한된 환경에서 가장 실용적이고 배포 가능한 YOLO 모델 중 하나가 되었습니다.

Ultralytics YOLO26 비교 플롯

주요 기능

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

  • 엔드투엔드 NMS 없는 추론
    별도의 후처리 단계로 NMS에 의존하는 기존 디텍터와 달리, YOLO26은 기본적으로 엔드투엔드입니다. 예측이 직접 생성되므로 지연 시간이 줄어들고 프로덕션 시스템에 더 빠르고, 가볍고, 안정적으로 통합할 수 있습니다.

  • 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 옵티마이저
    SGD와 Muon을 결합한 새로운 하이브리드 옵티마이저입니다. Moonshot AI의 Kimi K2에서 영감을 받은 MuSGD는 LLM 훈련의 고급 최적화 방법을 컴퓨터 비전에 도입하여 보다 안정적인 훈련과 빠른 융합을 가능하게 합니다.

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

지원되는 작업 및 모드

YOLO26은 멀티태스크 모델 제품군으로 설계되어 다양한 컴퓨터 비전 과제에 걸쳐 YOLO 활용성을 확장합니다:

모델 작업 추론 검증 훈련 내보내기
YOLO26 객체 탐지 ✅ ✅ ✅ ✅
YOLO26-seg 인스턴스 분할 ✅ ✅ ✅ ✅
YOLO26-포즈 포즈/키포인트 ✅ ✅ ✅ ✅
YOLO26-obb 방향 감지 ✅ ✅ ✅ ✅
YOLO26-cls 분류 ✅ ✅ ✅ ✅

이 통합 프레임워크는 실시간 감지, 세분화, 분류, 포즈 추정, 방향성 객체 감지 등 모든 영역에 적용 가능하며, 훈련, 검증, 추론, 내보내기 기능도 지원합니다.

성능 지표

성능 미리보기

다음 벤치마크는 초기 미리보기입니다. 최종 수치와 다운로드 가능한 가중치는 교육이 완료되면 공개될 예정입니다.

80개의 사전 교육 클래스를 통해 COCO에 대한 교육을 받았습니다.
모델이 출시되면 사용법은 탐지 문서를 참조하세요.

모델 크기
(픽셀)		 mAPval
50-95(e2e)		 mAPval
50-95		 속도
CPU ONNX
(ms)		 속도
T4 TensorRT10
(ms)		 파라미터
(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 및 YOLO26x에 대한 측정은 현재 진행 중입니다. 최종 벤치마크는 여기에 추가될 예정입니다.

성능 지표가 곧 제공될 예정입니다.

성능 지표가 곧 제공될 예정입니다.

성능 지표가 곧 제공될 예정입니다.

성능 지표가 곧 제공될 예정입니다.

인용 및 감사의 말씀

Ultralytics YOLO26 간행물

Ultralytics 빠르게 진화하는 모델의 특성으로 인해 YOLO26에 대한 공식적인 연구 논문을 발표하지 않았습니다. 대신 최첨단 모델을 제공하고 이를 쉽게 사용할 수 있도록 하는 데 주력하고 있습니다. YOLO 기능, 아키텍처 및 사용법에 대한 최신 업데이트는 GitHub 리포지토리 및 설명서를 참조하세요.

업무에 YOLO26 또는 다른 Ultralytics 소프트웨어를 사용하는 경우, 다음과 같이 인용해 주세요:

@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 보류 중입니다. YOLO26은 다음에서 사용할 수 있습니다. AGPL-3.0 및 엔터프라이즈 라이선스로 제공됩니다.

FAQ

YOLO11 비교하여 YOLO26의 주요 개선 사항은 무엇인가요?

  • DFL 제거: 내보내기 간소화 및 엣지 호환성 확장
  • 엔드투엔드 NMS 없는 추론: 더 빠르고 간편한 배포를 위해 NMS를 제거합니다.
  • ProgLoss + STAL: 특히 작은 물체에서 정확도 향상
  • MuSGD 옵티마이저: 보다 안정적이고 효율적인 훈련을 위해 문샷의 키미 K2에서 영감을 얻은 SGD와 뮤온을 결합합니다.
  • 최대 43% 더 빨라진 CPU 추론: CPU 디바이스의 주요 성능 향상

YOLO26은 어떤 작업을 지원하나요?

YOLO26은 통합 모델 제품군으로 설계되어 여러 컴퓨터 비전 작업에 대한 엔드투엔드 지원을 제공합니다:

각 사이즈 변형(n, s, m, l, x)은 출시 시 모든 작업을 지원할 계획입니다.

YOLO26이 엣지 배포에 최적화된 이유는 무엇인가요?

YOLO26은 다음과 같은 최첨단 엣지 성능을 제공합니다:

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

YOLO26 모델은 언제 출시되나요?

YOLO26 모델은 아직 개발 중이며 아직 오픈소스화되지 않았습니다. 성능 미리보기는 여기에 표시되어 있으며, 조만간 공식 다운로드 및 출시가 예정되어 있습니다. YOLO26에 대한 자세한 내용은 YOLO 비전 2025를 참조하세요.



📅 생성일: 0일 전 ✏️ 업데이트: 0일 전
Laughing-q UltralyticsAssistant

댓글