Ultralytics YOLO26

Обзор

Ultralytics YOLO26 — это новейшая эволюция в серии YOLO детекторов объектов в реальном времени, разработанная с нуля для периферийных и маломощных устройств. Она представляет собой оптимизированную конструкцию, которая устраняет ненужную сложность, интегрируя при этом целевые инновации для обеспечения более быстрого, легкого и доступного развертывания.

Архитектура YOLO26 руководствуется тремя основными принципами:

• Простота: YOLO26 — это нативная сквозная модель, которая выдает прогнозы напрямую, без необходимости в подавлении немаксимумов (NMS). Благодаря устранению этого этапа постобработки вывод становится быстрее, легче и проще в развертывании в реальных системах. Этот новаторский подход был впервые разработан в YOLOv10 Ао Вангом в Университете Цинхуа и получил дальнейшее развитие в YOLO26.
• Эффективность развертывания: Сквозная конструкция исключает целый этап конвейера, значительно упрощая интеграцию, снижая задержку и делая развертывание более надежным в различных средах.
• Инновации в обучении: YOLO26 представляет оптимизатор MuSGD, гибрид SGD и Muon — вдохновленный прорывами Moonshot AI Kimi K2 в обучении LLM. Этот оптимизатор обеспечивает повышенную стабильность и более быструю сходимость, перенося достижения в оптимизации из языковых моделей в компьютерное зрение.
• Оптимизации для конкретных задач: YOLO26 представляет целенаправленные улучшения для специализированных задач, включая потери семантической сегментации и многомасштабные прото-модули для Сегментации, оценку остаточного логарифмического правдоподобия (RLE) для высокоточной оценки Pose, а также оптимизированное декодирование с угловой потерей для решения проблем границ в OBB.

В совокупности эти инновации обеспечивают семейство моделей, которое достигает более высокой точности на небольших объектах, обеспечивает бесшовное развертывание и работает до 43% быстрее на CPU, что делает YOLO26 одной из самых практичных и удобных для развертывания моделей YOLO на сегодняшний день для сред с ограниченными ресурсами.

Основные характеристики

• Удаление DFL
  Модуль Distribution Focal Loss (DFL), хотя и эффективен, часто усложнял экспорт и ограничивал совместимость оборудования. YOLO26 полностью удаляет DFL, упрощая вывод и расширяя поддержку периферийных устройств и устройств с низким энергопотреблением.

• Сквозной вывод без NMS
  В отличие от традиционных детекторов, которые используют NMS в качестве отдельного этапа постобработки, YOLO26 является изначально сквозной. Прогнозы генерируются напрямую, что снижает задержку и делает интеграцию в производственные системы более быстрой, легкой и надежной.

• ProgLoss + STAL
  Улучшенные функции потерь повышают точность обнаружения, с заметными улучшениями в распознавании мелких объектов, что является критически важным требованием для IoT, робототехники, аэрофотосъемки и других периферийных приложений.

• Оптимизатор MuSGD
  Новый гибридный оптимизатор, сочетающий в себе SGD с Muon. Вдохновленный Kimi K2 от Moonshot AI, MuSGD внедряет передовые методы оптимизации из обучения LLM в компьютерное зрение, обеспечивая более стабильное обучение и более быструю сходимость.

• До 43% более быстрый вывод на CPU
  Специально оптимизированный для периферийных вычислений, YOLO26 обеспечивает значительно более быстрый вывод на CPU, гарантируя производительность в реальном времени на устройствах без GPU.

• Улучшения сегментации экземпляров
  Представляет потери семантической сегментации для улучшения сходимости модели и обновленный прото-модуль, который использует многомасштабную информацию для превосходного качества масок.

• Точная оценка позы
  Интегрирует оценку остаточного логарифмического правдоподобия (RLE) для более точной локализации ключевых точек и оптимизирует процесс декодирования для увеличения скорости инференса.

• Уточненное декодирование OBB
  Вводит специализированную угловую функцию потерь для повышения точности detect квадратных объектов и оптимизирует декодирование OBB для решения проблем разрывов границ.

Поддерживаемые задачи и режимы

YOLO26 основывается на универсальном диапазоне моделей, созданном предыдущими выпусками Ultralytics YOLO, предлагая расширенную поддержку для различных задач компьютерного зрения:

Эта унифицированная структура гарантирует, что YOLO26 применим для detect в реальном времени, segment, классификации, оценки позы и detect ориентированных объектов — и все это с поддержкой обучения, проверки, inference и экспорта.

Метрики производительности

Примеры использования

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

Обратите внимание, что приведенный ниже пример предназначен для моделей YOLO26 Detect для обнаружения объектов. Для дополнительных поддерживаемых задач смотрите документацию по Segment, Classify, OBB и Pose.

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: Сегментация экземпляров с открытым словарем

YOLOE-26 интегрирует высокопроизводительную архитектуру YOLO26 с возможностями открытого словаря серии YOLOE. Он обеспечивает обнаружение и сегментацию любого класса объектов в реальном времени с использованием текстовых подсказок, визуальных подсказок или режима без подсказок для инференса с нулевым выстрелом, эффективно устраняя ограничения обучения с фиксированными категориями.

Используя сквозную архитектуру YOLO26 без NMS, YOLOE-26 обеспечивает быстрый инференс в открытом мире. Это делает его мощным решением для граничных приложений в динамических средах, где объекты интереса представляют собой широкий и развивающийся словарь.

Пример использования

YOLOE-26 поддерживает как текстовые, так и визуальные подсказки. Использование подсказок просто — достаточно передать их через predict метод, как показано ниже:

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()

Для углубленного изучения методов подсказок, обучения с нуля и полных примеров использования посетите документацию YOLOE.

Цитирование и благодарности

Если вы используете YOLO26 или другое программное обеспечение Ultralytics в своей работе, пожалуйста, сошлитесь на него следующим образом:

@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}
}

DOI в ожидании. YOLO26 доступна по лицензиям AGPL-3.0 и Enterprise.

Часто задаваемые вопросы

Каковы основные улучшения в YOLO26 по сравнению с YOLO11?

• Удаление DFL: Упрощает экспорт и расширяет совместимость с периферийными устройствами
• Сквозной вывод без NMS: Устраняет NMS для более быстрого и простого развертывания
• ProgLoss + STAL: Повышает точность, особенно для мелких объектов.
• Оптимизатор MuSGD: Объединяет SGD и Muon (вдохновлен Kimi K2 от Moonshot) для более стабильного и эффективного обучения
• До 43% более быстрый вывод на CPU: Значительное повышение производительности для устройств только с CPU

Какие задачи поддерживает YOLO26?

YOLO26 — это унифицированное семейство моделей, обеспечивающее комплексную поддержку для множества задач компьютерного зрения:

• Обнаружение объектов
• Сегментация экземпляров
• Классификация изображений
• Оценка позы
• Детектирование ориентированных объектов (OBB)

Каждый вариант размера (n, s, m, l, x) поддерживает все задачи, а также версии с открытым словарем через YOLOE-26.

Почему YOLO26 оптимизирован для развертывания на периферии?

YOLO26 обеспечивает передовую производительность на периферийных устройствах благодаря:

• До 43% более быстрый вывод на CPU
• Уменьшенный размер модели и занимаемый объем памяти
• Архитектура упрощена для совместимости (нет DFL, нет NMS)
• Гибкие форматы экспорта, включая TensorRT, ONNX, CoreML, TFLite и OpenVINO

Как начать работу с YOLO26?

Модели YOLO26 были выпущены 14 января 2026 года и доступны для скачивания. Установите или обновите ultralytics пакет и загрузите модель:

from ultralytics import YOLO

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

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

См. раздел Примеры использования для инструкций по обучению, валидации и экспорту.

📅 Создано 3 месяцев назад ✏️ Обновлено 0 дней назад

Комментарии