Начать

Ultralytics YOLO26

Обзор#

Ultralytics YOLO26 — это единое семейство моделей компьютерного зрения для работы в реальном времени, описанное в статье Ultralytics о YOLO26. В него входят встроенный сквозной инференс, облегчённая голова обнаружения, обновлённая схема обучения и специализированные головы для обнаружения объектов, сегментации, классификации, оценки позы и обнаружения объектов с ориентацией.

На пяти масштабах детекции YOLO26 достигает 40.9–57.5 mAP на COCO при задержке TensorRT на T4 1.7–11.8 мс. В статье также сообщается, что инференс ONNX на CPU у YOLO26n до 43% быстрее, чем у YOLO11n на Intel Xeon CPU @ 2.00 GHz.

Запланированную архитектуру, задачи и предварительные результаты тестирования см. в предварительном обзоре ещё не выпущенной YOLO27.

Сравнительные графики Ultralytics YOLO26



Смотри: Как обучить модель YOLO26 на собственном датасете в Google Colab.
Быстрый старт
from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # загрузить предобученную модель YOLO26n
results = model("path/to/bus.jpg")  # выполнить инференс
Попробовать на платформе Ultralytics

Изучай модели YOLO26 и запускай их прямо на платформе Ultralytics.

Input
Upload an image or select an example to test yolo26n. Predict Docs
Live Demo

Drop an image here

or click to browse

Supports JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP & more (max 10MB)

Confidence
0.25
IoU
0.50
Image Size
640
Prediction results will appear here.

Семейство моделей YOLO26 построено вокруг четырёх ключевых направлений:

  • Встроенный сквозной инференс: опциональная голова обнаружения в режиме one-to-one формирует предсказания без подавления немаксимумов (NMS), упрощая развертывание и сокращая постобработку.
  • Упрощённая регрессия рамок: YOLO26 исключает Distribution Focal Loss (DFL), снижая сложность головы детекции и сохраняя при этом неограниченный диапазон регрессии.
  • Обновления схемы обучения: конвейер обучения объединяет MuSGD (гибридный оптимизатор Muon + SGD), Progressive Loss и STAL (назначение меток с учётом небольших объектов), чтобы улучшить оптимизацию, перенести надзор на голову, используемую во время инференса, и сохранить положительные метки для небольших объектов. Все гиперпараметры, использованные для выпущенных контрольных точек, приведены в руководстве по схеме обучения YOLO26.
  • Специализированные головы и функции потерь для задач: YOLO26 добавляет целевые решения для сегментации экземпляров, вариантов семантической сегментации, оценки позы и обнаружения объектов с заданной ориентацией, сохраняя единый пайплайн моделей для всех задач.

В совокупности эти обновления улучшают баланс точности и задержки для моделей разных масштабов и целевых платформ развёртывания.

Основные особенности#

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

  • Сквозной инференс без NMS YOLO26 поддерживает встроенный сквозной инференс с nms=False, формируя предсказания без отдельного этапа NMS. В используемом по умолчанию режиме «один ко многим» применяется NMS для повышения точности.

  • Progressive Loss + STAL Progressive Loss смещает акцент обучения на голову, используемую при инференсе, а STAL улучшает покрытие мелких объектов положительными метками.

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

  • Эффективное развёртывание Упрощённая голова и опциональный режим без NMS сокращают накладные расходы на инференс для разных целевых форматов экспорта и конфигураций оборудования, в том числе обеспечивают заявленное в статье ускорение ONNX на CPU для YOLO26n по сравнению с YOLO11n.

  • Улучшения сегментации экземпляров Добавлена функция потерь семантической сегментации для улучшения сходимости модели, а модуль proto обновлён и теперь использует информацию нескольких масштабов для повышения качества масок. Согласно статье, на датасете COCO для сегментации экземпляров улучшение относительно YOLO11 достигает +2.5 box AP и +3.7 mask AP.

  • Точная оценка позы Интегрирована оценка остаточного логарифма правдоподобия (RLE) для более точной локализации ключевых точек; процесс декодирования оптимизирован для повышения скорости инференса. В статье сообщается о приросте до +7.2 AP относительно YOLO11 при оценке позы на COCO.

  • Улучшенное декодирование OBB Добавлена специализированная функция потерь для углов, повышающая точность обнаружения объектов квадратной формы, а декодирование OBB оптимизировано для устранения проблем с разрывами на границах. В статье сообщается о приросте до +3.4 mAP относительно YOLO11 при обнаружении объектов с заданной ориентацией на DOTA-v1.0.

Сравнительные графики сквозной модели Ultralytics YOLO26

Поддерживаемые задачи и режимы#

YOLO26 поддерживает стандартный набор задач Ultralytics для пяти масштабов модели:

МодельИмена файловЗадачаОбучениеВалидацияИнференсЭкспорт
YOLO26yolo26n.pt yolo26s.pt yolo26m.pt yolo26l.pt yolo26x.ptОбнаружение✅✅✅✅
YOLO26-segyolo26n-seg.pt yolo26s-seg.pt yolo26m-seg.pt yolo26l-seg.pt yolo26x-seg.ptСегментация экземпляров✅✅✅✅
YOLO26-semyolo26n-sem.pt yolo26s-sem.pt yolo26m-sem.pt yolo26l-sem.pt yolo26x-sem.ptСемантическая сегментация✅✅✅✅
YOLO26-depthyolo26n-depth.pt yolo26s-depth.pt yolo26m-depth.pt yolo26l-depth.pt yolo26x-depth.ptОценка глубины✅✅✅✅
YOLO26-clsyolo26n-cls.pt yolo26s-cls.pt yolo26m-cls.pt yolo26l-cls.pt yolo26x-cls.ptКлассификация✅✅✅✅
YOLO26-poseyolo26n-pose.pt yolo26s-pose.pt yolo26m-pose.pt yolo26l-pose.pt yolo26x-pose.ptПоза/ключевые точки✅✅✅✅
YOLO26-obbyolo26n-obb.pt yolo26s-obb.pt yolo26m-obb.pt yolo26l-obb.pt yolo26x-obb.ptОбнаружение ориентированных объектов✅✅✅✅

Эта единая платформа охватывает обнаружение объектов в реальном времени, сегментацию экземпляров, семантическую сегментацию, оценку глубины по одному изображению, классификацию, оценку позы и обнаружение объектов с заданной ориентацией; для всех задач поддерживаются обучение, валидация, инференс и экспорт.

Варианты только с архитектурой

yolo26-p2.yaml и yolo26-p6.yaml добавляют головку детекции P2 (для мелких объектов) или P6 (для крупных входных изображений) и поставляются только в виде YAML-архитектур. Веса yolo26*-p2.pt или yolo26*-p6.pt, рассчитанные на конкретный масштаб, не выпускаются. Создай конфигурацию нужного масштаба на основе YAML (например, YOLO("yolo26n-p6.yaml")) и обучи её или дообучи при необходимости; в статье Обучи модель YOLO26 P2 на предобученных весах показано, как начать с yolo26n.pt и проверить наличие выхода P2.

Метрики производительности#

Производительность

Примеры использования этих моделей, обученных на COCO и включающих 80 предобученных классов, см. в документации по обнаружению объектов.

Модельразмер
(пиксели)
mAPval50-95mAPval50-95
(e2e)
Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLO26n64040.940.138.9 ± 0.71.7 ± 0.02.45.5
YOLO26s64048.647.887.2 ± 0.92.5 ± 0.09.520.9
YOLO26m64053.152.5220.0 ± 1.44.7 ± 0.120.468.4
YOLO26l64055.054.4286.2 ± 2.06.2 ± 0.224.886.8
YOLO26x64057.556.9525.8 ± 4.011.8 ± 0.255.7194.4

Значения Params и FLOPs приведены для объединённой модели после свёртки Conv/BatchNorm и удаления неиспользуемой ветви обнаружения. Для измерения скорости выбирается голова без NMS с помощью nms=False. Предварительно обученные контрольные точки сохраняют полную архитектуру обучения, поэтому значения могут быть выше.

Примеры использования#

В этом разделе приведены простые примеры обучения и инференса YOLO26.

В примере ниже модель YOLO26 Detect обучается для обнаружения объектов на демонстрационном датасете COCO8.

Пример

Предобученные модели *.pt на базе PyTorch, а также файлы конфигурации *.yaml можно передать классу YOLO(), чтобы создать экземпляр модели в Python:

from ultralytics import YOLO

# Загрузить модель YOLO26n, предобученную на COCO
model = YOLO("yolo26n.pt")

# Выполнить инференс с моделью YOLO26n на изображении 'bus.jpg'
results = model("path/to/bus.jpg")

# Обучить модель на демонстрационном наборе данных COCO8 в течение 100 эпох
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
Архитектура с двумя головами

В моделях обнаружения YOLO26 используется архитектура с двумя головами, которая подходит для разных сценариев развёртывания:

  • Голова One-to-Many (по умолчанию): формирует традиционные выходные данные YOLO, для которых требуется постобработка NMS. Выходной тензор имеет размер (N, nc + 4, 8400), где nc — число классов. Такая голова обычно обеспечивает немного более высокую точность, но требует дополнительных вычислений.
  • Голова One-to-One (nms=False): формирует сквозные предсказания без NMS. Выходной тензор имеет размер (N, 300, 6) и содержит не более 300 обнаружений на изображение. Эта голова оптимизирована для быстрого инференса и упрощённого развёртывания.

Ты можешь переключаться между головами при экспорте, предсказании или валидации:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Использовать голову one-to-many (по умолчанию, Ultralytics применяет NMS)
results = model.predict("image.jpg")  # inference
metrics = model.val(data="coco.yaml")  # validation
model.export(format="onnx")  # export

# Включить голову one-to-one без NMS
results = model.predict("image.jpg", nms=False)  # inference
metrics = model.val(data="coco.yaml", nms=False)  # validation
model.export(format="onnx", nms=False)  # export

По умолчанию при предсказании и валидации используется голова one-to-many для повышения точности. Используй nms=False для инференса без NMS или nms=True, чтобы встроить NMS в поддерживаемый формат экспорта. Обе головы обучаются независимо от выбранного варианта. Форматы выходных данных и совместимость экспорта описаны в руководстве по сквозному обнаружению.

YOLOE-26: обнаружение и сегментация с открытым словарём#

На YOLO26 также основана YOLOE-26 — модель с открытым словарём, которая обнаруживает и сегментирует категории объектов по текстовым запросам, визуальным запросам или в режиме без запросов, а не по фиксированному списку классов, выученному во время обучения. В YOLOE-26 сохранена опциональная сквозная голова YOLO26 без NMS (e2e), поэтому инференс с открытым словарём остаётся достаточно быстрым для динамичных сред, где целевые категории со временем меняются. YOLOE-26x достигает 40.6 AP на проверочной выборке minival датасета LVIS при текстовых запросах, 38.5 AP при визуальных запросах и 31.1 AP без запросов. Это показатели Non-E2E из статьи; сквозная голова уступает им на 1.1, 2.3 и 1.2 AP соответственно.

В документации YOLOE см. таблицы производительности для разных масштабов, варианты без подсказок и полные примеры использования.

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: унифицированные сквозные модели компьютерного зрения для работы в реальном времени. Если ты используешь YOLO26 в своих исследованиях, укажи следующую ссылку:

Цитирование
@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.

Часто задаваемые вопросы#

    • Регрессия без DFL: упрощает голову обнаружения и процесс экспорта
    • Сквозной инференс без NMS: поддерживает инференс без NMS с nms=False
    • Progressive Loss + STAL: улучшает согласованность обучения и охват разметкой мелких объектов
    • Оптимизатор MuSGD: объединяет SGD с оптимизацией на основе Muon для стабильного обучения
    • Головы и функции потерь для конкретных задач: улучшают поддержку сегментации, оценки позы и обнаружения объектов с заданной ориентацией
  • YOLO26 — это унифицированное семейство моделей со сквозной поддержкой множества задач компьютерного зрения:

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

  • YOLO26 повышает эффективность развёртывания благодаря следующим возможностям:

    • Опциональный нативный сквозной инференс без NMS (nms=False)
    • Регрессия без DFL и облегчённая голова обнаружения
    • Экспорт объединённой модели с удалением вспомогательных компонентов, используемых только при обучении
    • Инференс ONNX на CPU для YOLO26n до 43% быстрее, чем для YOLO11n, на Intel Xeon CPU @ 2.00 GHz
    • Гибкие форматы экспорта, включая TensorRT, ONNX, CoreML, LiteRT и OpenVINO
  • Модели YOLO26 можно скачать через пакет ultralytics. Установи или обнови пакет и загрузи модель:

    from ultralytics import YOLO
    
    # Загрузить предобученную модель YOLO26 nano
    model = YOLO("yolo26n.pt")
    
    # Запустить инференс на изображении
    results = model("image.jpg")

    Инструкции по обучению, валидации и экспорту см. в разделе Примеры использования.

Комментарии117

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. Syedshajib55GitHub

    How do I modify the architectural components (Head and Neck) of YOLOv26?

    What is the process for inserting a Dropout layer at the end of the backbone in the YOLOv26 configuration?

    2
    1. Glenn JocherUltralytics

      YOLO26 (no “v”) architecture edits are done in the model YAML, so start by copying ultralytics/cfg/models/26/yolo26.yaml into your project, modify the backbone: / head: layer lists (the “neck” is part of head:), and train from that YAML following the Model YAML Configuration Guide.

      # yolo26_custom.yaml
      backbone:
        # ... existing backbone layers ...
        - [-1, 1, nn.Dropout, [0.2]]  # add dropout at end of backbone (train-time only)
      
      head:
        # ... existing head/neck layers ...
      yolo train model=yolo26_custom.yaml data=your_dataset.yaml imgsz=640

      If you share which task model you’re editing (detect / seg / pose / obb) and which variant (n/s/m/l/x), we can point you to the exact YAML to start from and where to insert the change in that graph.

      1
    2. Syedshajib55GitHub

      Hi Glenn,

      Thank you for the quick response and guidance! To answer your question: I am focusing on the detect task, and I will be experimenting with both the s (small) and m (medium) variants.

      For context, I am working on a paper targeting a Q1 journal. My project focuses on Emotion Detection (5 classes: Angry, Happy, Sad, Neutral, Surprised) using the RAVDESS dataset. I have extracted peak emotion frames from the videos and augmented the dataset to roughly 21k images (640x640 resolution). My core research objective is to demonstrate that a customized YOLO26 architecture can outperform the standard baseline for detecting subtle facial micro-expressions. To achieve this, I want to modify the backbone—specifically by adding Batch Normalization and Dropout layers (potentially after the C2f blocks or may be after c3k2 blocks of that yolo26 architechtural images) to improve regularization and prevent overfitting on facial features.

      Could you help me with the following?

      1. Could you point me to the exact base YAML files for the yolo26s and yolo26m detection models to use as my starting point?

      2. From an architectural standpoint, where exactly in the backbone would you theoretically recommend inserting these Dropout/BN layers? (e.g., after which specific layer index or block) to maximize accuracy without degrading the spatial feature maps necessary for facial detection?

      Any insights on how to best structure this custom YAML would be incredibly helpful. Thanks again for your time!

    3. Syedshajib55GitHub
      1. Baseline Reference: Finally, could you share the raw YAML configuration code that details the standard YOLO26 backbone and head? I would like to include this exact baseline structure in my paper’s methodology section to clearly contrast it with my proposed modifications.
    1. Glenn JocherUltralytics(изменено)

      @etemical 感谢建议!目前未原生支持行为识别/多目标行为检测;建议先用 YOLO26 组合 detect + track 多目标跟踪与可选 pose 关键点作为上游信号,并在 GitHub 提交详细需求(数据标注格式与评测指标)为 Feature Request 模板 便于评估;参考 Track 模式文档 与 Pose 任务文档。

      yolo track model=yolo26n.pt source=your_video.mp4 tracker=bytetrack.yaml show=True
      yolo pose predict model=yolo26n-pose.pt source=your_video.mp4 show=True

      @lwplw 谢谢关注!YOLO26 现已发布,可阅读我们的 YOLO26 介绍博客 了解功能。

  2. Jiahao Chen

    请问如果我想要引用本页面的YOLO26和其他模型的对比曲线图,已经在文中索引了来源。但是期刊要求需要拿到作者的授权,请问如何申请授权呢?

    1. Paula DerrengerUltralytics

      您好,针对期刊要求的图片书面授权,建议联系 Ultralytics 法务团队,说明申请转载 YOLO26 对比曲线图,并附上页面链接、具体图片、论文题目、期刊名称、是否修改图片,以及期刊的授权模板(如有),请求确认版权归属并提供书面许可。目前未找到该图专门的公开授权流程,因此这里不能代为授予许可;请以收到的正式书面回复为准。

  3. cyberpunk-edgerunnerGitHub

    maybe CIFAR-10-LT dataset can help. you do not need background images because our initial conversation started without that, for an image, there can be one to 15 object in one image The cause of the shared-memory increase will remain unconfirmed unless you run python train.py in your computer with an rtx gpu

    On Sat, Oct 10, 2026 at 6:15 AM Paula Derrenger @.***> wrote:

    Understood—you don’t need to interrupt your work for the batch=16 comparison. Could you name a public long-tailed dataset you consider representative and share your approximate class counts, background-image proportion, and typical/maximum objects per image? That would help define a reproduction using the configuration you already shared, without requiring your company’s data or another production run. The cause of the shared-memory increase remains unconfirmed.

    — Reply to this email directly, view it on GitHub https://github.com/orgs/ultralytics/discussions/26446?email_source=notifications&email_token=BSIM7DUZ6A5KFG7YKF2H6KT5TGBBRA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBYGQ2DONBZUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSWGM33PORSXEX3DNRUWG2Y#discussioncomment-18844749, or unsubscribe https://github.com/notifications/unsubscribe-auth/BSIM7DTBK4XV3HXIPMFHVXT5TGBBRAVCNFSNUABIKJSXA33TNF2G64TZHM2TGNJTGYYDINBVHNCGS43DOVZXG2LPNY5TCMBZGE3TMNRUUF3AE . Triage notifications, keep track of coding agent tasks and review pull requests on the go with GitHub Mobile for iOS https://github.com/notifications/mobile/ios/BSIM7DST66YNYHAKPWPY3PT5TGBBRA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBYGQ2DONBZUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSVGM33PORSXEX3JN5ZQ and Android https://github.com/notifications/mobile/android/BSIM7DRDX2BJPHP7PHHKRG35TGBBRA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBYGQ2DONBZUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSXGM33PORSXEX3BNZSHE33JMQ. Download it today! You are receiving this because you commented.Message ID: @.*** com>

    1. Paula DerrengerUltralytics

      Thanks for clarifying the 1–15 objects per image; we can keep background-only images out of the reproduction. CIFAR-10-LT is a long-tailed classification benchmark, so it would not directly reproduce your multi-object detection setup. I can’t execute python train.py on an RTX GPU here, and I haven’t reproduced the shared-memory increase. Could you share a public-data version of the script, including dataset preparation, so someone with suitable hardware can run the same test without your company’s data?

  4. cyberpunk-edgerunnerGitHub

    I cannot run the same code with batch=16, reasons:

    1. I work in a company and have my own KPI to meet and improve
    2. I have added background image data in the dataset so it is no longer same.
    3. I am planning to add more images in future.

    I suggest you download a long tailed distributed dataset to mimic my experiment.

    thank you

    On Fri, Oct 9, 2026 at 5:15 AM Paula Derrenger @.***> wrote:

    Thanks for clarifying that it was 15 GB of shared GPU memory and sharing the configuration; sorry for requesting the script again. To test whether batch-related memory pressure contributes, could you compare your batch=64 run with batch=16, keeping all other settings unchanged? See the batch-size guidance https://docs.ultralytics.com/guides/model-training-tips#batch-size-and-gpu-utilization. Please share epoch 2–3 text logs and dedicated/shared GPU memory readings from the comparison; this will help narrow down the cause without assuming the memory change is a bug.

    — Reply to this email directly, view it on GitHub https://github.com/orgs/ultralytics/discussions/26446?email_source=notifications&email_token=BSIM7DWLJ3KRNTXM7Y6Q4O35TARKLA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBYGI2TINRTUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSWGM33PORSXEX3DNRUWG2Y#discussioncomment-18825463, or unsubscribe https://github.com/notifications/unsubscribe-auth/BSIM7DQLZ4KWCGA6TEUDIS35TARKLAVCNFSNUABIKJSXA33TNF2G64TZHM2TGNJTGYYDINBVHNCGS43DOVZXG2LPNY5TCMBZGE3TMNRUUF3AE . Triage notifications, keep track of coding agent tasks and review pull requests on the go with GitHub Mobile for iOS https://github.com/notifications/mobile/ios/BSIM7DV53PCZWPENVMYYNYT5TARKLA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBYGI2TINRTUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSVGM33PORSXEX3JN5ZQ and Android https://github.com/notifications/mobile/android/BSIM7DX2XUXERTKYLIDJ2C35TARKLA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBYGI2TINRTUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSXGM33PORSXEX3BNZSHE33JMQ. Download it today! You are receiving this because you commented.Message ID: @.*** com>

    1. Paula DerrengerUltralytics

      Understood—you don’t need to interrupt your work for the batch=16 comparison. Could you name a public long-tailed dataset you consider representative and share your approximate class counts, background-image proportion, and typical/maximum objects per image? That would help define a reproduction using the configuration you already shared, without requiring your company’s data or another production run. The cause of the shared-memory increase remains unconfirmed.

  5. cyberpunk-edgerunnerGitHub
    1. I have shared you exact code in this email thread(check my second reply) and the command to run it was `python .\det_yoloM_5-10.py' .
    2. yes, it was 15GB of shared GPU
    3. sorry, I do not have separate dedicated/shared memory readings at comparable batch positions in each epoch, but there was a steady consumption of about 15GB of shared memory throughout the training. however I can provide you argos.yaml

    task: detect mode: train model: yolo26m.pt data: yoloDet_clsAgnostic_split/data.yaml epochs: 200 time: null patience: 20 batch: 64 imgsz: 640 save: true save_period: -1 cache: false device: '0' workers: 6 project: null name: train-2 exist_ok: false pretrained: true cls_remap: true optimizer: auto verbose: false seed: 0 deterministic: true single_cls: false rect: false cos_lr: false close_mosaic: 10 resume: false amp: true fraction: 1.0 profile: false freeze: null multi_scale: 0.0 compile: false channels_last: null overlap_mask: true mask_ratio: 4 dropout: 0.0 val: true split: val save_json: false conf: null iou: 0.7 max_det: 300 quantize: null dnn: false plots: true nms: null source: null vid_stride: 1 stream_buffer: false visualize: false augment: false agnostic_nms: false classes: null retina_masks: false embed: null show: false save_frames: false save_txt: false save_conf: false save_crop: false show_labels: true show_conf: true show_boxes: true line_width: null format: torchscript keras: false optimize: false dynamic: false simplify: true opset: null workspace: null lr0: 0.01 lrf: 0.01 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3.0 warmup_momentum: 0.8 warmup_bias_lr: 0.1 distill_model: null dis: 6.0 box: 7.5 cls: 0.5 cls_pw: 0.0 dfl: 1.5 pose: 12.0 kobj: 1.0 rle: 1.0 angle: 1.0 dlog: 1.0 dgrad: 0.5 dlam: 1.0 nbs: 64 hsv_h: 0.015 hsv_s: 0.7 hsv_v: 0.4 degrees: 0.0 translate: 0.1 scale: 0.5 shear: 0.0 perspective: 0.0 flipud: 0.0 fliplr: 0.5 bgr: 0.0 mosaic: 1.0 mixup: 0.0 cutmix: 0.0 copy_paste: 0.0 copy_paste_mode: flip auto_augment: randaugment erasing: 0.4 cfg: null tracker: tracktrack.yaml save_dir: C:\Training9\runs\detect\train-2

    On Thu, Oct 8, 2026 at 6:07 AM Paula Derrenger @.***> wrote:

    Thanks for the complete checks and text logs. Epoch 2 is faster (14:27 versus 1:02:39), despite GPU_mem dropping from 28.6G to 17.4G, so these readings alone don’t establish GPU underutilization. Could you paste your exact training command or script, including the model and training settings? Also, does “around 15 epoch” mean 15 GB of shared GPU memory in both epochs? Please provide separate dedicated/shared memory readings at comparable batch positions in each epoch so we can investigate the discrepancy.

    — Reply to this email directly, view it on GitHub https://github.com/orgs/ultralytics/discussions/26446?email_source=notifications&email_token=BSIM7DQKA3GIYQSCDVEWEJ35S3OWHA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBYGAZTKNJWUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSWGM33PORSXEX3DNRUWG2Y#discussioncomment-18803556, or unsubscribe https://github.com/notifications/unsubscribe-auth/BSIM7DX34MSUWFFX5WDRXW35S3OWHAVCNFSNUABIKJSXA33TNF2G64TZHM2TGNJTGYYDINBVHNCGS43DOVZXG2LPNY5TCMBZGE3TMNRUUF3AE . Triage notifications, keep track of coding agent tasks and review pull requests on the go with GitHub Mobile for iOS https://github.com/notifications/mobile/ios/BSIM7DSVPQ3LAONGDZOZWWD5S3OWHA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBYGAZTKNJWUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSVGM33PORSXEX3JN5ZQ and Android https://github.com/notifications/mobile/android/BSIM7DQHEDECXNLNQEWJLC35S3OWHA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBYGAZTKNJWUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSXGM33PORSXEX3BNZSHE33JMQ. Download it today! You are receiving this because you commented.Message ID: @.*** com>

    1. Paula DerrengerUltralytics

      Thanks for clarifying that it was 15 GB of shared GPU memory and sharing the configuration; sorry for requesting the script again. To test whether batch-related memory pressure contributes, could you compare your batch=64 run with batch=16, keeping all other settings unchanged? See the batch-size guidance. Please share epoch 2–3 text logs and dedicated/shared GPU memory readings from the comparison; this will help narrow down the cause without assuming the memory change is a bug.

  6. cyberpunk-edgerunnerGitHub

    here are my yolo checks yolo checks Ultralytics 8.4.155 Python-3.13.12 torch-2.12.0.dev20260408+cu128 CUDA:0 (NVIDIA GeForce RTX 5090, 32607MiB) Setup complete (24 CPUs, 63.5 GB RAM, 1738.9/1881.5 GB disk)

    OS Windows-11-10.0.26200-SP0 Environment Windows Python 3.13.12 Install pip Path C:\Users\devth\miniconda3\Lib\site-packages\ultralytics RAM 63.46 GB Disk 1738.9/1881.5 GB CPU Intel Core Ultra 9 285K CPU count 24 GPU NVIDIA GeForce RTX 5090, 32607MiB GPU count 1 CUDA 12.8

    cloudpickle 3.1.2>=3.1.1 filelock 3.29.0>=3.16.1 numpy 2.4.4>=1.23.0; platform_system != "Darwin" numpy 2.4.4!=2.0.,!=2.1.,!=2.2.*,!=2.3.0,!=2.3.1,!=2.3.2,!=2.3.3,!=2.3.4,>=1.23.0; platform_system == "Darwin" matplotlib 3.10.8>=3.3.0 opencv-python 4.13.0.92!=4.13.0.90,>=4.7.0 pillow 12.2.0>=7.1.2 pyyaml 6.0.3>=5.3.1 requests 2.32.5>=2.23.0 torch 2.12.0.dev20260408+cu128>=1.8.0 torch 2.12.0.dev20260408+cu128!=2.4.0,>=1.8.0; sys_platform == "win32" torchvision 0.27.0.dev20260407+cu128>=0.9.0 psutil 7.2.2>=5.8.0 polars 1.40.1>=0.20.0 nvidia-ml-py 13.610.43>=12.0.0 ultralytics-thop 2.1.6>=2.1.6 ultralytics-platform 0.1.48>=0.1.45; python_version >= "3.11"


    (shared memory used in first and second epoch was around 15 epoch) these are the first two epoch details in Text

     Epoch    GPU_mem   box_loss   cls_loss    l1_loss  Instances       Size
      1/200      28.6G      1.174      1.891    0.01363         90

    640: 33% ━━━╸──────── 1561/4702 1.1it/s 23:55<49:25libpng warning: iCCP: known incorrect sRGB profile 1/200 28.6G 1.15 1.582 0.01327 91 640: 56% ━━━━━━╸───── 2674/4702 1.3it/s 40:45<26:43libpng warning: iCCP: known incorrect sRGB profile 1/200 28.6G 1.144 1.475 0.01325 77 640: 72% ━━━━━━━━╸─── 3419/4702 1.3it/s 49:44<16:45libpng warning: iCCP: known incorrect sRGB profile 1/200 28.6G 1.144 1.471 0.01325 84 640: 73% ━━━━━━━━╸─── 3451/4702 1.4it/s 50:07<14:41libpng warning: iCCP: known incorrect sRGB profile 1/200 28.6G 1.146 1.395 0.01332 84 640: 92% ━━━━━━━━━━━─ 4370/4702 5.0it/s 1:01:16<1:07libpng warning: iCCP: known incorrect sRGB profile 1/200 28.6G 1.146 1.373 0.01335 74 640: 100% ━━━━━━━━━━━━ 4702/4702 1.3it/s 1:02:39 Class Images Instances Box(P R mAP50 mAP50-95): 22% ━━╸───────── 57/256 2.5it/s 26.7s<1:19libpng warning: iCCP: known incorrect sRGB profile Class Images Instances Box(P R mAP50 mAP50-95): 47% ━━━━━╸────── 122/256 2.3it/s 1:10<59.4slibpng warning: iCCP: known incorrect sRGB profile Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 256/256 1.9it/s 2:17 all 32677 47931 0.863 0.726 0.818 0.584

    Epoch GPU_mem box_loss cls_loss l1_loss Instances

    Size 2/200 17.4G 1.183 1.123 0.01413 74 640: 29% ━━━╸──────── 1380/4702 5.1it/s 4:16<10:45libpng warning: iCCP: known incorrect sRGB profile 2/200 17.4G 1.196 1.133 0.01441 107 640: 55% ━━━━━━╸───── 2615/4702 5.8it/s 8:09<6:02libpng warning: iCCP: known incorrect sRGB profile 2/200 17.4G 1.193 1.126 0.01434 99 640: 64% ━━━━━━━╸──── 3020/4702 5.5it/s 9:20<5:06libpng warning: iCCP: known incorrect sRGB profile 2/200 17.4G 1.193 1.125 0.01435 106 640: 67% ━━━━━━━━──── 3179/4702 5.6it/s 9:50<4:33libpng warning: iCCP: known incorrect sRGB profile 2/200 17.4G 1.192 1.121 0.01434 109 640: 81% ━━━━━━━━━╸── 3847/4702 5.5it/s 11:52<2:36libpng warning: iCCP: known incorrect sRGB profile 2/200 17.4G 1.195 1.12 0.01437 86 640: 100% ━━━━━━━━━━━━ 4702/4702 5.4it/s 14:27 Class Images Instances Box(P R mAP50 mAP50-95): 22% ━━╸───────── 57/256 2.5it/s 20.6s<1:21libpng warning: iCCP: known incorrect sRGB profile Class Images Instances Box(P R mAP50 mAP50-95): 47% ━━━━━╸────── 122/256 2.1it/s 50.3s<1:04libpng warning: iCCP: known incorrect sRGB profile Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 256/256 2.3it/s 1:51 all 32677 47931 0.889 0.778 0.87 0.638


    On Tue, Oct 6, 2026 at 10:29 AM Paula Derrenger @.***> wrote:

    No—by “yolo checks output,” I mean the terminal’s software/hardware summary, not results.csv. Please activate the same Python environment used for training, run yolo checks in PowerShell, and paste its complete text output; it reports your Ultralytics, Python, PyTorch, and GPU details (environment checks reference https://docs.ultralytics.com/reference/utils/checks#ultralytics.utils.checks.check_yolo). (docs.ultralytics.com https://docs.ultralytics.com/reference/utils/checks) Thanks for sharing the driver information. Please also provide separate dedicated/shared GPU-memory readings at matching points in epochs 1 and 2, plus your training command or configuration, so we can investigate without assuming the memory drop indicates hardware underutilization.

    — Reply to this email directly, view it on GitHub https://github.com/orgs/ultralytics/discussions/26446?email_source=notifications&email_token=BSIM7DSK7MKPVE56RJJGI435SR33BA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBXG4YDKNJSUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSWGM33PORSXEX3DNRUWG2Y#discussioncomment-18770552, or unsubscribe https://github.com/notifications/unsubscribe-auth/BSIM7DRBVYTDNBPWAZRUQXL5SR33BAVCNFSNUABIKJSXA33TNF2G64TZHM2TGNJTGYYDINBVHNCGS43DOVZXG2LPNY5TCMBZGE3TMNRUUF3AE . Triage notifications, keep track of coding agent tasks and review pull requests on the go with GitHub Mobile for iOS https://github.com/notifications/mobile/ios/BSIM7DXMRZI3YZR75VFDAGT5SR33BA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBXG4YDKNJSUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSVGM33PORSXEX3JN5ZQ and Android https://github.com/notifications/mobile/android/BSIM7DRXQCNW5JUZNGVDHU35SR33BA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBXG4YDKNJSUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSXGM33PORSXEX3BNZSHE33JMQ. Download it today! You are receiving this because you commented.Message ID: @.*** com>

    1. Paula DerrengerUltralytics

      Thanks for the complete checks and text logs. Epoch 2 is faster (14:27 versus 1:02:39), despite GPU_mem dropping from 28.6G to 17.4G, so these readings alone don’t establish GPU underutilization. Could you paste your exact training command or script, including the model and training settings? Also, does “around 15 epoch” mean 15 GB of shared GPU memory in both epochs? Please provide separate dedicated/shared memory readings at comparable batch positions in each epoch so we can investigate the discrepancy.

  7. cyberpunk-edgerunnerGitHub

    pls explain what is yolo checks output? what do you mean by that ? are you referring to results.csv from runs folder??

    here is my driver detail PS C:\Training9> nvidia-smi Tue Oct 6 09:22:05 2026 +-----------------------------------------------------------------------------------------+ | NVIDIA-SMI 610.60 KMD Version: 610.60 CUDA UMD Version: 13.3 | +-----------------------------------------+------------------------+----------------------+ | GPU Name Driver-Model | Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. | | | | MIG M. | |=========================================+========================+======================| | 0 NVIDIA GeForce RTX 5090 WDDM | 00000000:01:00.0 On | N/A | | 57% 73C P1 479W / 575W | 19362MiB / 32607MiB | 80% Default | | | | N/A | +-----------------------------------------+------------------------+----------------------+

    PS C:\Training9> nvcc --version nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2025 NVIDIA Corporation Built on Wed_Jan_15_19:38:46_Pacific_Standard_Time_2025 Cuda compilation tools, release 12.8, V12.8.61 Build cuda_12.8.r12.8/compiler.35404655_0

    epoch 1 vram usage(in terminal) = 28.6 GB and in task manager ~29.1 GB epoch 2 to epoch 73 vram usage (in terminal) = 17.4 GB and in task manager vram usage is 18.1 GB

    73rd epoch

    Epoch GPU_mem box_loss cls_loss l1_loss Instances

    Size 73/200 17.4G 0.9935 0.7903 0.01002 86 640: 0% ──────────── 4/4702 4.4it/s 1.0s<17:51libpng warning: iCCP: known incorrect sRGB profile 73/200 17.4G 1.023 0.7368 0.01159 84 640: 9% ━─────────── 446/4702 5.8it/s 1:17<12:17libpng warning: iCCP: known incorrect sRGB profile 73/200 17.4G 1.024 0.7397 0.01152 93 640: 63% ━━━━━━━╸──── 2990/4702 5.6it/s 8:41<5:06libpng warning: iCCP: known incorrect sRGB profile 73/200 17.4G 1.024 0.7402 0.01151 119 640: 65% ━━━━━━━╸──── 3080/4702 5.3it/s 8:57<5:06libpng warning: iCCP: known incorrect sRGB profile 73/200 17.4G 1.026 0.7422 0.01152 113 640: 76% ━━━━━━━━━─── 3586/4702 5.6it/s 10:28<3:20libpng warning: iCCP: known incorrect sRGB profile 73/200 17.4G 1.029 0.7459 0.01156 78 640: 100% ━━━━━━━━━━━━ 4702/4702 5.7it/s 13:46 Class Images Instances Box(P R mAP50 mAP50-95): 22% ━━╸───────── 57/256 2.7it/s 20.9s<1:13libpng warning: iCCP: known incorrect sRGB profile Class Images Instances Box(P R mAP50 mAP50-95): 47% ━━━━━╸────── 122/256 2.1it/s 48.9s<1:02libpng warning: iCCP: known incorrect sRGB profile Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 256/256 2.4it/s 1:47 all 32677 47931 0.927 0.855 0.93 0.724


    since you are trying to replicate my detection code , I must tell you in my train folder I have around 150000 images with txt files, 32000 in val and 31000 in test

    while you are at it, I need a change in the ultralytics package, since it can detect and restore corrupt JPG(and many more errors), would it possible for you to make this change permanent? since it a type of fix and everyone wants that and no one wants to ultralytics package to just internally fix the images i know it won't be implemented by of security reasons by just keep in future todo list

    to be honest , in my view, the ultralytics package does not fully utilise the hardware. I have run barebone code that using just the pytorch and few more basic codes and they utilise

    thank you in advance

    On Mon, Oct 5, 2026 at 10:42 PM Paula Derrenger @.***> wrote:

    Thanks for sharing the script. A plausible explanation for the drop from 28.6G to 17.4G is cache cleanup between epochs: the training loop https://docs.ultralytics.com/reference/engine/trainer#ultralytics.engine.trainer.BaseTrainer._do_train conditionally clears reserved memory before validation and at epoch end when usage exceeds 50% of device capacity. This could explain the drop, but does not establish why Windows reports shared-memory usage. ( docs.ultralytics.com https://docs.ultralytics.com/reference/engine/trainer) Please share yolo checks output, your NVIDIA driver version, and dedicated/shared GPU-memory readings as text at matching points in both epochs so we can check your installed version and distinguish the two observations.

    — Reply to this email directly, view it on GitHub https://github.com/orgs/ultralytics/discussions/26446?email_source=notifications&email_token=BSIM7DSOVWTY24AP4M6GU5D5SPI7FA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBXGYZTCOJVUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSWGM33PORSXEX3DNRUWG2Y#discussioncomment-18763195, or unsubscribe https://github.com/notifications/unsubscribe-auth/BSIM7DUUEOVQC4A4Q7SCGUL5SPI7FAVCNFSNUABIKJSXA33TNF2G64TZHM2TGNJTGYYDINBVHNCGS43DOVZXG2LPNY5TCMBZGE3TMNRUUF3AE . Triage notifications, keep track of coding agent tasks and review pull requests on the go with GitHub Mobile for iOS https://github.com/notifications/mobile/ios/BSIM7DVWK73UY4PTSMIRTTL5SPI7FA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBXGYZTCOJVUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSVGM33PORSXEX3JN5ZQ and Android https://github.com/notifications/mobile/android/BSIM7DW6Q4F7VJMCOTRDMPD5SPI7FA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCOBXGYZTCOJVUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSXGM33PORSXEX3BNZSHE33JMQ. Download it today! You are receiving this because you commented.Message ID: @.*** com>

    1. Paula DerrengerUltralytics

      No—by “yolo checks output,” I mean the terminal’s software/hardware summary, not results.csv. Please activate the same Python environment used for training, run yolo checks in PowerShell, and paste its complete text output; it reports your Ultralytics, Python, PyTorch, and GPU details (environment checks reference). (docs.ultralytics.com) Thanks for sharing the driver information. Please also provide separate dedicated/shared GPU-memory readings at matching points in epochs 1 and 2, plus your training command or configuration, so we can investigate without assuming the memory drop indicates hardware underutilization.