Ultralytics YOLO26#

Обзор#

Ultralytics YOLO26 — это единое семейство моделей компьютерного зрения для работы в реальном времени, описанное в статье Ultralytics о YOLO26. В модели реализованы встроенный сквозной инференс, облегчённая голова детекции, обновлённый рецепт обучения и специализированные головы для обнаружения объектов, сегментации, оценки позы, классификации и обнаружения объектов с заданной 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.

from ultralytics import YOLO

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

Семейство моделей YOLO26 построено вокруг четырёх ключевых направлений:

• Встроенный сквозной инференс: опциональная голова детекции по схеме «один к одному» формирует предсказания без подавления немаксимумов (NMS), что упрощает развёртывание и сокращает постобработку.
• Упрощённая регрессия рамок: YOLO26 исключает Distribution Focal Loss (DFL), снижая сложность головы детекции и сохраняя при этом неограниченный диапазон регрессии.
• Обновления рецепта обучения: пайплайн обучения сочетает MuSGD (гибридный оптимизатор Muon + SGD), Progressive Loss и STAL (назначение меток с учётом малых объектов), чтобы улучшить оптимизацию, сместить обучение в сторону головы, используемой при инференсе, и обеспечить достаточное покрытие мелких объектов положительными метками. Полные гиперпараметры, использованные для выпущенных контрольных точек, описаны в руководстве по рецепту 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 для семантической сегментации, улучшающая сходимость модели, а обновлённый протомодуль использует многомасштабную информацию для повышения качества масок. В статье сообщается о приросте относительно YOLO11 до +2.5 AP для рамок и +3.7 AP для масок при сегментации экземпляров на COCO.

• 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.

Поддерживаемые задачи и режимы#

YOLO26 поддерживает стандартный набор задач Ultralytics для пяти масштабов модели:

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.

Метрики производительности#

Значения Params и FLOPs приведены для объединённой модели после свёртки Conv/BatchNorm и удаления неиспользуемой ветви обнаружения. При измерении скорости используется голова без NMS с nms=False. Предобученные контрольные точки сохраняют полную архитектуру обучения, поэтому значения могут быть выше.

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: пример ниже предназначен для моделей YOLO26 Detect, выполняющих обнаружение объектов. О других поддерживаемых задачах см. документацию по разделам Segment, Semantic Segmentation, Depth, Classify, Pose и OBB.

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)

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

YOLOE-26: обнаружение и сегментация с открытым словарём#

YOLO26 также лежит в основе YOLOE-26 — варианта с открытым словарём, который обнаруживает и сегментирует категории объектов по текстовым подсказкам, визуальным подсказкам или в режиме без подсказок, а не по фиксированному списку классов, заданному при обучении. YOLOE-26 сохраняет опциональную сквозную (e2e) голову YOLO26 без NMS, поэтому инференс с открытым словарём остаётся достаточно быстрым для динамичных сред, где целевые категории со временем меняются. YOLOE-26x достигает 40.6 AP на LVIS minival при использовании текстовых подсказок, 38.5 AP при использовании визуальных подсказок и 31.1 AP в режиме без подсказок — 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:

@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#