Ultralytics YOLO26

Обзор

Ultralytics YOLO26 — это новейшая эволюция в серии детекторов объектов реального времени YOLO, разработанная с нуля для периферийных устройств и устройств с низким энергопотреблением. Она представляет собой оптимизированную архитектуру, которая устраняет излишнюю сложность и объединяет целевые инновации для обеспечения более быстрого, легкого и доступного развертывания.

Архитектура YOLO26 опирается на три основных принципа:

• Простота: YOLO26 — это нативная сквозная (end-to-end) модель, создающая предсказания напрямую, без необходимости использования подавления немаксимумов (NMS). Исключение этого этапа постобработки делает логический 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: Сквозной дизайн исключает целый этап конвейера, значительно упрощая интеграцию, уменьшая задержку и делая развертывание более надежным в различных 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.
• Оптимизации для конкретных задач: YOLO26 внедряет целевые улучшения для специализированных задач, включая функцию потерь для семантической сегментации и многомасштабные модули proto для сегментации, оценку остаточного логарифмического правдоподобия (RLE) для высокоточной оценки позы, а также оптимизированное декодирование с угловой функцией потерь для устранения проблем с границами в OBB.

Вместе эти инновации формируют семейство моделей, которые достигают более высокой точности на мелких объектах, обеспечивают бесшовное развертывание и работают до 43% быстрее на CPU — что делает YOLO26 одной из самых практичных и готовых к развертыванию моделей YOLO на сегодняшний день для сред с ограниченными ресурсами.

Ключевые особенности

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

• Сквозной (end-to-end) логический вывод без NMS
  В отличие от традиционных детекторов, полагающихся на NMS как отдельный этап постобработки, YOLO26 является нативно сквозным. Предсказания генерируются напрямую, что уменьшает задержку и делает интеграцию в производственные системы быстрее, легче и надежнее.

• ProgLoss + STAL
  Улучшенные функции потерь повышают точность обнаружения, с заметными улучшениями в распознавании мелких объектов, что является критически важным требованием для IoT, робототехники, аэрофотосъемки и других периферийных приложений.

• Оптимизатор MuSGD
  Новый 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 логический вывод на CPU
  Специально оптимизированная для периферийных вычислений, YOLO26 обеспечивает значительно более быстрый вывод на CPU, гарантируя производительность в реальном времени на устройствах без GPU.

• Улучшения сегментации экземпляров
  Внедряет функцию потерь для семантической сегментации для улучшения сходимости модели и обновленный модуль proto, который использует многомасштабную информацию для обеспечения превосходного качества масок.

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

• Улучшенное декодирование OBB
  Внедряет специализированную угловую функцию потерь для повышения точности обнаружения объектов квадратной формы и оптимизирует декодирование OBB для устранения проблем разрывности границ.

Поддерживаемые задачи и режимы

YOLO26 базируется на универсальном диапазоне моделей, заложенном предыдущими релизами Ultralytics YOLO, предлагая расширенную поддержку различных задач компьютерного зрения:

Этот единый фреймворк гарантирует, что YOLO26 применим для обнаружения в реальном времени, сегментации экземпляров, семантической сегментации, классификации, оценки позы и ориентированного обнаружения объектов — и все это с поддержкой обучения, валидации, логического вывода и экспорта.

Метрики производительности

Значения Params и FLOPs указаны для объединенной модели после вызова model.fuse(), который объединяет слои Conv и BatchNorm и удаляет вспомогательную «один-ко-многим» голову детекции. 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 относится к моделям YOLO26 Detect для обнаружения объектов. Дополнительные поддерживаемые задачи смотри в документации по Segment, семантической сегментации, классификации, OBB и оценке позы.

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 интегрирует высокопроизводительную архитектуру YOLO26 с возможностями открытого словаря серии YOLOE. Она обеспечивает обнаружение и сегментацию в реальном времени для любого класса объектов с использованием текстовых подсказок, визуальных подсказок или режима без подсказок для zero-shot инференса, эффективно устраняя ограничения обучения на фиксированных категориях.

Используя NMS-free, end-to-end дизайн YOLO26, YOLOE-26 обеспечивает быстрый инференс в условиях открытого мира. Это делает ее мощным решением для edge-приложений в динамических средах, где интересующие объекты представляют собой широкий и постоянно меняющийся словарь.

Пример использования

YOLOE-26 поддерживает как текстовые, так и визуальные промпты. Использовать их очень 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 глубоко изучить методы промптинга, обучение с нуля и полные примеры использования, посети документацию YOLOE.

Цитирование и благодарности

Если ты используешь YOLO26 или другое ПО Ultralytics в своей работе, пожалуйста, сошлися на него следующим образом:

@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 процессе получения. YOLO26 доступна по лицензиям AGPL-3.0 и Enterprise.

Часто задаваемые вопросы (FAQ)

Каковы основные улучшения в YOLO26 по сравнению с YOLO11?

• Удаление DFL: упрощает экспорт и расширяет совместимость с Edge-устройствами
• Конечный инференс без NMS: исключает NMS для более быстрой и простой развертки
• ProgLoss + STAL: повышает точность, особенно на мелких объектах
• Оптимизатор MuSGD: объединяет SGD и Muon (вдохновлено Kimi K2 от Moonshot) для более стабильного и эффективного обучения
• Инференс на CPU до 43% быстрее: значительный прирост производительности для устройств только с CPU

Какие задачи поддерживает YOLO26?

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

• Детекция объектов
• Сегментация экземпляров
• Семантическая сегментация
• Классификация изображений
• Оценка позы
• Ориентированная детекция объектов (OBB)

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

Почему YOLO26 оптимизирована для развертывания на Edge-устройствах?

YOLO26 обеспечивает передовую производительность на Edge-устройствах благодаря:

• Инференс на CPU до 43% быстрее
• Уменьшенный размер модели и объем занимаемой памяти
• Упрощенная архитектура для совместимости (без DFL, без NMS)
• Гибкие форматы экспорта, включая TensorRT, ONNX, CoreML, TFLite и OpenVINO

Как мне начать работу 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")

Ознакомься с разделом Usage Examples для получения инструкций по обучению, валидации и экспорту.