Ultralytics YOLO26#

Обзор#

Ultralytics YOLO26 — это единое семейство моделей компьютерного зрения в реальном времени, описанное в статье об Ultralytics YOLO26. В нем реализованы нативный сквозной вывод (end-to-end), более легкая голова детектирования, обновленный рецепт обучения и специализированные головы для детектирования, сегментации, оценки позы, классификации и ориентированного детектирования.

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.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained YOLO26n model
results = model("path/to/bus.jpg")  # run inference

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 объединяет MuSGD (гибридный оптимизатор Muon + SGD), Progressive Loss и STAL (Small-Target-Aware Label Assignment) для улучшения оптимизации, смещения надзора в сторону головы во время вывода и поддержания положительного покрытия метками для мелких объектов. Полные гиперпараметры для выпущенных контрольных точек задокументированы в руководстве по рецепту обучения YOLO26.
• 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.

Ключевые 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 под компьютерное зрение.

• 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 позы Интегрирует Residual Log-Likelihood Estimation (RLE) для более точной локализации ключевых точек и оптимизирует процесс декодирования для увеличения скорости вывода. В статье сообщается о росте AP до +7.2 по сравнению с YOLO11 в задаче оценки позы на 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.

Поддерживаемые задачи и режимы#

YOLO26 поддерживает стандартный набор задач Ultralytics для пяти масштабов моделей:

Этот унифицированный фреймворк охватывает детекцию в реальном времени, сегментацию экземпляров, семантическую сегментацию, монокулярную оценку глубины, классификацию, оценку позы и ориентированную детекцию объектов с поддержкой обучения, валидации, вывода и экспорта.

Метрики производительности#

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

Примеры использования#

Этот раздел содержит простые примеры обучения и вывода YOLO26. Полную документацию по этим и другим режимам смотри на страницах документации Predict, Train, Val и Export.

Обрати внимание, что пример ниже предназначен для моделей YOLO26 Detect для детектирования объектов. О других поддерживаемых задачах читай в документации Segment, Semantic Segmentation, Depth, Classify, Pose и OBB.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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: детектирование и сегментация с открытым словарем#

YOLO26 также лежит в основе YOLOE-26 — вариации с открытым словарем категорий, которая детектирует и сегментирует категории объектов по текстовым подсказкам (text prompts), визуальным подсказкам (visual prompts) или в режиме без подсказок (prompt-free mode) вместо фиксированного списка классов, изученного во время обучения. YOLOE-26 сохраняет свободный от NMS дизайн «конец-в-конец» (e2e) от YOLO26, поэтому вывод с открытым словарем остается достаточно быстрым для динамических сред, где целевые категории со временем меняются. YOLOE-26x достигает 40.6 AP на подмножестве minival набора LVIS при текстовых подсказках, 38.5 AP при визуальных подсказках и 31.1 AP в режиме без подсказок вне схемы E2E.

Смотри документацию по YOLOE для таблиц производительности по масштабам, вариантов без подсказок и полных примеров использования.

Цитирование и благодарности#

Для полного технического описания архитектуры YOLO26, рецепта обучения, голов задач и расширения с открытым словарем YOLOE-26 читай работу Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models. Если ты используешь YOLO26 в своих исследованиях, пожалуйста, ссылайся на:

@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 на условиях лицензий AGPL-3.0 и Enterprise.

FAQ#