Ultralytics YOLO26

Обзор

Ultralytics YOLO26 — это новейшая эволюция в серии детекторов объектов реального времени YOLO, созданная с нуля для периферийных устройств и устройств с низким энергопотреблением. В ней представлен оптимизированный дизайн, который устраняет ненужную сложность и интегрирует целевые инновации для обеспечения более быстрого, легкого и доступного развертывания.

Архитектура YOLO26 основана на трех ключевых принципах:

• Простота: YOLO26 — это нативная end-to-end модель, формирующая предсказания напрямую без необходимости в не-максимальном подавлении (NMS). Исключение этого этапа пост-обработки делает вывод быстрее, легче и проще для развертывания в реальных системах. Этот прорывной подход был впервые предложен в YOLOv10 Ао Ваном из Университета Цинхуа и получил дальнейшее развитие в YOLO26.
• Эффективность развертывания: End-to-end дизайн исключает целый этап конвейера, значительно упрощая интеграцию, уменьшая задержку и делая развертывание более надежным в разнообразных средах.
• Инновации в обучении: YOLO26 представляет оптимизатор MuSGD — гибрид SGD и Muon, вдохновленный прорывами Moonshot AI в Kimi K2 при обучении LLM. Этот оптимизатор обеспечивает повышенную стабильность и более быструю сходимость, перенося достижения в оптимизации из языковых моделей в компьютерное зрение.
• Специфические оптимизации задач: YOLO26 предлагает целевые улучшения для специализированных задач, включая лосс семантической сегментации и мультимасштабные прото-модули для сегментации (Segmentation), RLE (Residual Log-Likelihood Estimation) для высокоточного оценки поз (Pose) и оптимизированное декодирование с угловым лоссом для устранения проблем границ в OBB.

Вместе эти инновации создают семейство моделей, которое достигает более высокой точности на малых объектах, обеспечивает бесшовное развертывание и работает до 43% быстрее на CPU, делая YOLO26 одной из самых практичных и готовых к развертыванию моделей YOLO для сред с ограниченными ресурсами.

Основные характеристики

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

• End-to-End вывод без NMS\nВ отличие от традиционных детекторов, которые полагаются на NMS как отдельный этап пост-обработки, YOLO26 является нативно end-to-end. Предсказания генерируются напрямую, что уменьшает задержку и делает интеграцию в производственные системы быстрее, легче и надежнее.

• ProgLoss + STAL\nУлучшенные функции потерь повышают точность детекции, с заметными улучшениями в распознавании малых объектов, что критически важно для IoT, робототехники, аэрофотосъемки и других периферийных приложений.

• Оптимизатор MuSGD\nНовый гибридный оптимизатор, сочетающий 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 быструю сходимость.

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

• Улучшения сегментации экземпляров\nВнедряет лосс семантической сегментации для улучшения сходимости модели и обновленный прото-модуль, использующий мультимасштабную информацию для превосходного качества масок.

• Точная оценка поз\nИнтегрирует Residual Log-Likelihood Estimation (RLE) для более точной локализации ключевых точек и оптимизирует процесс декодирования для увеличения скорости вывода.

• Уточненное декодирование OBB\nВнедряет специализированный угловой лосс для повышения точности детекции квадратных объектов и оптимизирует декодирование OBB для устранения проблем разрывов на границах.

Поддерживаемые задачи и режимы

YOLO26 продолжает развивать универсальный модельный ряд, созданный предыдущими выпусками Ultralytics YOLO, предлагая расширенную поддержку различных задач компьютерного зрения:

Этот унифицированный фреймворк гарантирует, что YOLO26 применим для детекции, сегментации, классификации, оценки позы и ориентированной детекции объектов в реальном времени — и всё это с поддержкой обучения, валидации, вывода и экспорта.

Метрики производительности

Значения параметров и FLOPs указаны для объединенной (fused) модели после вызова model.fuse(), который объединяет слои Conv и BatchNorm и удаляет вспомогательную «один-ко-многим» голову обнаружения. Предобученные чекпоинты сохраняют полную архитектуру обучения и могут показывать более высокие значения.

Примеры использования

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

Обрати внимание, что приведенный ниже пример предназначен для моделей YOLO26 Detect, используемых для обнаружения объектов. Дополнительные поддерживаемые задачи смотри в документации 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")

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

YOLOE-26: Сегментация экземпляров с открытым словарем

YOLOE-26 объединяет высокопроизводительную архитектуру YOLO26 с возможностями открытого словаря серии YOLOE. Это позволяет выполнять обнаружение и сегментацию в реальном времени для любого класса объектов с помощью текстовых подсказок, визуальных подсказок или режима без подсказок для zero-shot инференса, эффективно устраняя ограничения обучения на фиксированных категориях.

Благодаря дизайну без NMS и сквозному (end-to-end) принципу YOLO26, YOLOE-26 обеспечивает быстрый инференс в открытом мире. Это делает его мощным решением для граничных (edge) вычислений в динамических средах, где интересующие объекты представляют собой широкий и постоянно меняющийся набор категорий.

Пример использования

YOLOE-26 поддерживает текстовые и визуальные подсказки. Использовать подсказки просто — достаточно передать их через метод predict, 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.
model.set_classes(["person", "bus"])

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

# Show results
results[0].show()

Для более глубокого изучения методов подсказок, обучения с нуля и полных примеров использования посети документацию YOLOE.

Цитирование и благодарности

Если ты используешь YOLO26 или другое программное обеспечение Ultralytics в своей работе, пожалуйста, сошлися на него так:

@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 (FAQ)

Каковы ключевые улучшения в YOLO26 по сравнению с YOLO11?

• Удаление DFL: упрощает экспорт и расширяет совместимость с периферийными устройствами
• Сквозной вывод без NMS: исключает NMS для более быстрой и простой реализации
• ProgLoss + STAL: повышает точность, особенно для мелких объектов
• Оптимизатор MuSGD: объединяет SGD и Muon (вдохновлено Kimi K2 от Moonshot) для более стабильного и эффективного обучения
• До 43% быстрее вывод на CPU: значительный прирост производительности для устройств, работающих только на CPU

Какие задачи поддерживает YOLO26?

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

• Обнаружение объектов
• Сегментация экземпляров
• Классификация изображений
• Оценка позы
• Ориентированное обнаружение объектов (OBB)

Каждый размер (n, s, m, l, x) поддерживает все задачи, плюс версии с открытым словарем через YOLOE-26.

Почему YOLO26 оптимизирована для развертывания на периферии?

YOLO26 обеспечивает передовую производительность на периферийных устройствах благодаря:

• Выводу на CPU, работающему до 43% быстрее
• Уменьшенному размеру модели и занимаемой памяти
• Архитектуре, упрощенной для совместимости (нет DFL, нет NMS)
• Гибким форматам экспорта, включая TensorRT, ONNX, CoreML, TFLite и OpenVINO

Как мне начать работать с YOLO26?

Модели YOLO26 были выпущены 14 января 2026 года и доступны для скачивания. Установи или обнови пакет ultralytics и загрузи модель:

from ultralytics import YOLO

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

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

Инструкции по обучению, проверке и экспорту смотри в разделе Примеры использования.