Link to this sectionUltralytics YOLO26#

Link to this sectionОбзор#

Ultralytics YOLO26 — это единое семейство моделей компьютерного зрения реального времени, описанное в статье об Ultralytics YOLO26. Оно внедряет нативный end-to-end инференс, облегченную «голову» детекции, обновленный рецепт обучения и специализированные «головы» для решения задач детекции, сегментации, оценки поз, классификации и ориентированной детекции.

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

Семейство моделей YOLO26 построено вокруг четырех областей проектирования:

• Нативный end-to-end инференс: «голова» детекции one-to-one по умолчанию выдает предсказания без подавления немаксимумов (NMS), что упрощает развертывание и снижает затраты на постпроцессинг.
• Более легкая регрессия bbox: YOLO26 удаляет Distribution Focal Loss (DFL), уменьшая сложность «головы» детекции при сохранении неограниченного диапазона регрессии.
• Обновления рецепта обучения: конвейер обучения сочетает в себе MuSGD, Progressive Loss и STAL для улучшения оптимизации, смещения фокуса обучения в сторону «головы» для инференса и сохранения покрытия позитивных меток для мелких объектов.
• Специализированные «головы» и функции потерь для задач: YOLO26 добавляет целевые разработки для сегментации экземпляров, вариантов семантической сегментации, оценки поз и ориентированной детекции, сохраняя при этом единый конвейер моделей для всех задач.

В совокупности эти обновления улучшают баланс между точностью и задержкой для разных масштабов моделей и целей развертывания.

Link to this sectionКлючевые особенности#

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

• End-to-End инференс без NMS В отличие от традиционных детекторов, полагающихся на NMS как отдельный этап постпроцессинга, YOLO26 по умолчанию является нативно end-to-end. Предсказания генерируются напрямую, что снижает задержку и упрощает интеграцию в продакшн.

• Progressive Loss + STAL Progressive Loss смещает акцент обучения на «голову» для инференса, в то время как STAL улучшает покрытие позитивных меток для мелких объектов.

• Оптимизатор MuSGD Гибридный оптимизатор, объединяющий SGD и Muon, адаптирующий идеи оптимизации из обучения больших языковых моделей для компьютерного зрения.

• Эффективное развертывание Упрощенная «голова» и путь по умолчанию без NMS снижают накладные расходы на инференс для различных целей экспорта и профилей оборудования, включая упомянутое в статье ускорение CPU ONNX для YOLO26n по сравнению с YOLO11n.

• Улучшения сегментации экземпляров Внедряет функцию потерь семантической сегментации для улучшения сходимости модели и обновленный модуль proto, использующий многомасштабную информацию для обеспечения превосходного качества масок. В статье сообщается о приросте по сравнению с YOLO11 до +2.5 box AP и +3.7 mask AP на сегментации экземпляров COCO.

• Точная оценка поз Интегрирует Residual Log-Likelihood Estimation (RLE) для более точной локализации ключевых точек и оптимизирует процесс декодирования для повышения скорости инференса. В статье сообщается о приросте до +7.2 AP по сравнению с YOLO11 на оценке поз COCO.

• Улучшенное декодирование OBB Внедряет специализированную функцию потерь по углу для повышения точности детекции квадратных объектов и оптимизирует декодирование OBB для решения проблем разрыва границ. В статье сообщается о приросте до +3.4 mAP по сравнению с YOLO11 на ориентированной детекции DOTA-v1.0.

Link to this sectionПоддерживаемые задачи и режимы#

YOLO26 поддерживает стандартный набор задач Ultralytics для пяти масштабов моделей:

Этот единый фреймворк охватывает детекцию реального времени, сегментацию экземпляров, семантическую сегментацию, классификацию, оценку поз и ориентированную детекцию объектов с поддержкой обучения, валидации, инференса и экспорта.

Link to this sectionМетрики производительности#

Значения параметров и FLOPs приведены для объединенной модели после model.fuse(), которая объединяет слои Conv и BatchNorm и удаляет вспомогательную «one-to-many» голову детектирования. Предобученные чекпоинты сохраняют полную архитектуру обучения и могут показывать более высокие показатели.

Link to this sectionПримеры использования#

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

Обрати внимание, что пример ниже относится к моделям YOLO26 Detect для обнаружения объектов. Дополнительные поддерживаемые задачи смотри в документации по Segment, семантической сегментации, классификации, OBB и оценке позы (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

Link to this sectionYOLOE-26: детектирование и сегментация с открытым словарем#

YOLOE-26 расширяет YOLO26 возможностями открытого словаря серии YOLOE. Это позволяет выполнять детектирование и сегментацию в реальном времени для категорий объектов из открытого множества с помощью текстовых промптов, визуальных промптов или режима без промптов.

Благодаря NMS-free, end-to-end дизайну YOLO26, YOLOE-26 обеспечивает инференс с открытым словарем, достаточно быстрый для динамических сред, где целевые категории могут меняться со временем. YOLOE-26x достигает 40.6 AP на LVIS minival при текстовых промптах, 38.5 AP при визуальных промптах и 31.1 AP в режиме без промптов (Non-E2E).

Link to this sectionПример использования#

YOLOE-26 поддерживает как текстовое, так и визуальное промптирование. Использовать промпты 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()

Чтобы узнать больше о техниках промптирования и увидеть полные примеры использования, посети документацию YOLOE.

Link to this sectionЦитирование и благодарности#

Для получения полного технического описания архитектуры YOLO26, рецепта обучения, головок задач и расширения YOLOE-26 с открытым словарем прочитай 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 по лицензиям AGPL-3.0 и Enterprise.

Link to this sectionFAQ#

Link to this sectionКаковы ключевые улучшения в YOLO26?#

• Регрессия без DFL: упрощает детектирующую головку и путь экспорта
• Сквозной инференс без NMS: удаляет NMS из стандартного пути инференса
• Прогрессивная функция потерь + STAL: улучшает выравнивание при обучении и покрытие меток для мелких объектов
• Оптимизатор MuSGD: объединяет SGD с оптимизацией, вдохновленной Muon, для стабильного обучения
• Специализированные головки и функции потерь: улучшает поддержку сегментации, оценки позы и ориентированного обнаружения

Link to this sectionКакие задачи поддерживает YOLO26?#

YOLO26 — это унифицированное семейство моделей, обеспечивающее сквозную поддержку нескольких задач компьютерного зрения:

• Обнаружение объектов (Object Detection)
• Instance Segmentation
• Семантическая сегментация
• Классификация изображений (Image Classification)
• Оценка позы (Pose Estimation)
• Ориентированное обнаружение объектов (OBB)

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

Link to this sectionПочему YOLO26 эффективен для развертывания?#

YOLO26 повышает эффективность развертывания за счет:

• Нативной сквозной (end-to-end) инференции без NMS по умолчанию
• Регрессии без DFL и более легкой «головы» детекции
• Экспорта объединенной модели, который удаляет вспомогательные компоненты, необходимые только для обучения
• До 43% более быстрой CPU ONNX инференции для YOLO26n по сравнению с YOLO11n на процессоре Intel Xeon CPU @ 2.00 GHz
• Гибких форматов экспорта, включая TensorRT, ONNX, CoreML, TFLite и OpenVINO

Link to this sectionКак мне начать работу с YOLO26?#

Модели YOLO26 доступны для скачивания через пакет ultralytics. Установи или обнови пакет 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")

Смотри раздел Usage Examples для инструкций по обучению, валидации и экспорту.