Ultralytics YOLO26#

Обзор#

Ultralytics YOLO26 — это единое семейство моделей компьютерного зрения для работы в реальном времени, описанное в статье Ultralytics YOLO26. Оно представляет нативный сквозной инференс, более лёгкую голову детекции, обновлённый рецепт обучения и специализированные головы для детекции, сегментации, оценки позы, классификации и детекции объектов с ориентацией.

На пяти масштабах детекции YOLO26 достигает 40.9–57.5 mAP на COCO при задержке T4 TensorRT 1.7–11.8 мс. В статье также сообщается о до 43% более быстром CPU ONNX-инференсе для YOLO26n по сравнению с YOLO11n на процессоре Intel Xeon с частотой 2.00 ГГц.

Ознакомься с предпросмотром невыпущенной модели YOLO27 для получения информации о планируемой архитектуре, задачах и предварительных бенчмарках.

from ultralytics import YOLO

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

Семейство моделей YOLO26 построено вокруг четырёх направлений:

• Собственный сквозной вывод: Опциональная голова детектирования «один к одному» выдает предсказания без подавления немаксимумов (NMS), что упрощает развертывание и сокращает постобработку.
• Облегчённая регрессия BBox: YOLO26 исключает Distribution Focal Loss (DFL), снижая сложность головы детекции и сохраняя неограниченный диапазон регрессии.
• Обновления рецепта обучения: Пайплайн обучения объединяет MuSGD (гибридный оптимизатор Muon + SGD), Progressive Loss и STAL (Small-Target-Aware Label Assignment), чтобы улучшить оптимизацию, сместить основное внимание обучения на голову, используемую при инференсе, и сохранить покрытие положительных меток для небольших объектов. Полный набор гиперпараметров выпущенных контрольных точек описан в руководстве YOLO26 Training Recipe.
• Специализированные головы и функции потерь для задач: YOLO26 добавляет целевые архитектурные решения для сегментации экземпляров, вариантов семантической сегментации, оценки позы и детекции объектов с ориентацией, сохраняя единый пайплайн модели для разных задач.

В совокупности эти обновления улучшают компромисс между точностью и задержкой на разных масштабах моделей и целевых платформах развёртывания.

Ключевые особенности#

• Регрессия без DFL YOLO26 исключает Distribution Focal Loss (DFL), снижая сложность головы детекции и упрощая экспорт.

• Сквозной вывод без NMS YOLO26 поддерживает собственный сквозной вывод с помощью nms=False, выдавая предсказания без отдельного прохода NMS. Путь по умолчанию «один ко многим» использует NMS для точности.

• Progressive Loss + STAL Progressive Loss смещает акцент обучения на голову, используемую при инференсе, а STAL улучшает покрытие положительных меток для небольших объектов.

• Оптимизатор MuSGD Гибридный оптимизатор, объединяющий SGD с Muon и адаптирующий идеи оптимизации из обучения больших языковых моделей к компьютерному зрению.

• Эффективное развертывание Упрощенная голова и опциональный путь без NMS снижают издержки на вывод для различных целей экспорта и профилей оборудования, включая заявленное в статье ускорение CPU ONNX для YOLO26n по сравнению с YOLO11n.

• Улучшения сегментации экземпляров Добавлена функция потерь семантической сегментации для улучшения сходимости модели, а обновлённый proto-модуль использует информацию разных масштабов для повышения качества масок. В статье сообщается о приросте относительно YOLO11 до +2.5 box AP и +3.7 mask AP на COCO для сегментации экземпляров.

• Точная оценка позы Интегрирована Residual Log-Likelihood Estimation (RLE) для более точной локализации ключевых точек, а процесс декодирования оптимизирован для повышения скорости инференса. В статье сообщается о приросте до +7.2 AP относительно YOLO11 на COCO для оценки позы.

• Улучшенное декодирование OBB Добавлена специализированная функция потерь угла для повышения точности детекции объектов квадратной формы, а декодирование OBB оптимизировано для устранения проблем разрывов на границах. В статье сообщается о приросте до +3.4 mAP относительно YOLO11 на DOTA-v1.0 для детекции объектов с ориентацией.

Поддерживаемые задачи и режимы#

YOLO26 поддерживает стандартный набор задач Ultralytics в пяти масштабах моделей:

Эта единая платформа охватывает детекцию в реальном времени, сегментацию экземпляров, семантическую сегментацию, оценку монокулярной глубины, классификацию, оценку позы и детекцию объектов с ориентацией, а также поддерживает обучение, валидацию, инференс и экспорт.

Метрики производительности#

Значения параметров и FLOPs указаны для объединенной модели после свертки/пакетной нормализации (Conv/BatchNorm) и удаления неиспользуемой ветви детектирования. Измерения скорости выбирают голову без NMS с помощью nms=False. Предобученные контрольные точки сохраняют полную архитектуру обучения и могут показывать большие значения.

Примеры использования#

В этом разделе приведены простые примеры обучения и инференса YOLO26. Полную документацию по этим и другим режимам см. на страницах документации Predict, Train, Val и Export.

Обрати внимание, что приведённый ниже пример предназначен для моделей YOLO26 Detect для детекции объектов. Информацию о других поддерживаемых задачах см. в документации по Segment, Semantic Segmentation, Depth, Classify, Pose и OBB.

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: детекция и сегментация с открытым словарём#

YOLO26 также управляет YOLOE-26, открытым вариантом словаря, который обнаруживает и сегментирует категории объектов по текстовым подсказкам, визуальным подсказкам или в режиме без подсказок вместо фиксированного списка классов, изученного во время обучения. YOLOE-26 сохраняет опциональную голову NMS-free end-to-end (e2e) от YOLO26, поэтому инференс с открытым словарем остается достаточно быстрым для динамических сред, где целевые категории со временем меняются. YOLOE-26x достигает 40.6 AP на LVIS minival при текстовых подсказках, 38.5 AP при визуальных подсказках и 31.1 AP без подсказок — показатели Non-E2E из статьи, от которых сквозная голова отстает на 1.1, 2.3 и 1.2 AP.

Таблицы производительности для каждого масштаба, варианты без подсказок и полные примеры использования см. в документации YOLOE.

Цитирование и благодарности#

Полное техническое описание архитектуры YOLO26, рецепта обучения, голов для разных задач и расширения YOLOE-26 с открытым словарём см. в статье Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models. Если ты используешь YOLO26 в своих исследованиях, пожалуйста, процитируй:

@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},
}

Код, модели и документация YOLO26 доступны в репозитории Ultralytics на GitHub и в документации Ultralytics на условиях лицензий AGPL-3.0 и Enterprise.

Часто задаваемые вопросы#