Знакомься: Ultralytics YOLO26 — более совершенная, быстрая и компактная модель YOLO

25 сентября на нашем ежегодном гибридном мероприятии YOLO Vision 2025 (YV25) в Лондоне Гленн Джокер, основатель и генеральный директор компании, официально представил новейшую модель серии Ultralytics YOLO — Ultralytics YOLO26. Наша новая модель компьютерного зрения YOLO26 анализирует и интерпретирует изображения и видео благодаря оптимизированной архитектуре, которая сочетает скорость, точность и простоту развёртывания.

Хотя Ultralytics YOLO26 упрощает некоторые аспекты конструкции модели и добавляет новые улучшения, в ней также сохраняются знакомые функции, которых пользователи ожидают от моделей Ultralytics YOLO. Например, Ultralytics YOLO26 проста в использовании, поддерживает широкий спектр задач компьютерного зрения и предлагает гибкие варианты интеграции и развертывания.

Переход на Ultralytics YOLO26 не требует сложных действий, и нам не терпится увидеть, как пользователи оценят её сами. YOLO26 вышла в открытый доступ 14 января 2026 года и теперь доступна через пакет Ultralytics для Python и Ultralytics Platform.

Рис. 1. Пример использования Ultralytics YOLO26 для обнаружения объектов на изображении.

Проще говоря, Ultralytics YOLO26 — это более совершенная, быстрая и компактная модель ИИ для компьютерного зрения. В этой статье мы рассмотрим ключевые особенности Ultralytics YOLO26 и её возможности.

Новые горизонты vision AI с Ultralytics YOLO26#

Прежде чем перейти к ключевым особенностям Ultralytics YOLO26 и возможным областям её применения, рассмотрим идеи и причины, которые послужили стимулом для разработки этой модели.

В Ultralytics мы всегда верили в силу инноваций. С самого начала наша миссия состояла из двух частей. С одной стороны, мы хотим сделать ИИ для компьютерного зрения доступным для всех, устранив любые барьеры. С другой — мы стремимся поддерживать передовой уровень технологий и расширять возможности, которых могут достичь модели компьютерного зрения.

Ключевой фактор этой миссии — постоянное развитие сферы AI. Например, периферийный AI, при котором модели AI запускаются непосредственно на устройствах, а не в облаке, быстро внедряется в самых разных отраслях.

От умных камер до автономных систем — теперь ожидается, что периферийные устройства будут обрабатывать информацию в реальном времени. Этот переход требует более лёгких и быстрых моделей, которые при этом сохраняют прежний высокий уровень точности.

Именно поэтому нам необходимо постоянно совершенствовать модели Ultralytics YOLO. Как говорит Гленн Джочер: «Одна из главных задач заключалась в том, чтобы пользователи могли максимально использовать возможности YOLO26, сохранив при этом высочайшую производительность».

Обзор Ultralytics YOLO26#

YOLO26 доступна сразу в пяти вариантах моделей, что позволяет использовать её возможности в приложениях любого масштаба. Все эти варианты поддерживают несколько задач компьютерного зрения, как и предыдущие модели Ultralytics YOLO. Это значит, что независимо от выбранного размера можно рассчитывать на широкий набор возможностей YOLO26, как и у Ultralytics YOLO11.

Обзор задач компьютерного зрения, поддерживаемых Ultralytics YOLO26:

• Обнаружение объектов: Ultralytics YOLO26 может находить несколько объектов на изображении или видеокадре и определять их местоположение.
• Сегментация экземпляров: Ultralytics YOLO26 не только обнаруживает объекты, но и формирует точные до пикселя границы каждого найденного объекта.
• Классификация изображений: Модель может анализировать изображение целиком и присваивать ему определённую категорию или метку.
• Оценка позы: Ultralytics YOLO26 может обнаруживать ключевые точки и оценивать позы людей и других объектов.
• Ориентированные ограничивающие рамки (OBB): Модель может обнаруживать объекты под любым углом. Это особенно полезно при анализе аэрофотоснимков, изображений с дронов и спутниковых снимков, где такие объекты, как здания, транспортные средства или посевы, могут располагаться не параллельно границам изображения.
• Отслеживание объектов: Ultralytics YOLO26 можно использовать для отслеживания объектов в видеокадрах или потоках в реальном времени.

Рис. 2. Обнаружение объектов на изображении с помощью Ultralytics YOLO26.

Архитектура Ultralytics YOLO26#

Теперь, когда мы лучше представляем возможности Ultralytics YOLO26, давай рассмотрим некоторые инновации в её архитектуре.

Архитектуру модели упростили, удалив модуль Distribution Focal Loss (DFL), который ранее замедлял инференс и ограничивал регрессию ограничивающих рамок.

Процесс предсказания также упростился благодаря сквозному режиму инференса (E2E), который позволяет модели пропустить традиционный этап подавления немаксимумов (NMS). Это усовершенствование снижает сложность и ускоряет получение результатов, упрощая развёртывание в реальных приложениях.

Другие усовершенствования делают модель умнее и надёжнее. Прогрессивная балансировка функции потерь (ProgLoss) помогает стабилизировать обучение и повысить точность, а назначение меток с учётом малых объектов (STAL) позволяет модели эффективнее обнаруживать небольшие объекты. Кроме того, новый оптимизатор MuSGD ускоряет сходимость обучения и повышает общую производительность.

Самая компактная версия Ultralytics YOLO26 — модель nano — теперь работает на стандартных CPU до 43% быстрее YOLO11n. Поэтому она особенно хорошо подходит для мобильных приложений, интеллектуальных камер и других периферийных устройств, где критически важны скорость и эффективность. Вот краткий обзор функций YOLO26 и возможностей, которые она открывает пользователям:

• Удаление DFL: Мы удалили модуль Distribution Focal Loss из архитектуры модели. Независимо от размера объектов на изображении Ultralytics YOLO26 может подбирать для них подходящие ограничивающие рамки и работать эффективнее.
• Сквозной инференс без NMS: В Ultralytics YOLO26 появился необязательный режим, которому не требуется подавление немаксимумов (NMS) — этап, обычно используемый для удаления повторяющихся предсказаний. Это упрощает и ускоряет развертывание для работы в реальном времени.
• ProgLoss и STAL: Эти улучшения повышают стабильность обучения и значительно увеличивают точность, особенно при обнаружении мелких объектов в сложных сценах.
• Оптимизатор MuSGD: В Ultralytics YOLO26 используется новый оптимизатор, объединяющий преимущества двух оптимизаторов обучения (Muon и SGD). Он помогает модели быстрее обучаться и достигать более высокой точности.

Рис. 3. Сравнительное тестирование Ultralytics YOLO26.

Упрощённое развертывание Ultralytics YOLO26#

Работаешь ли ты над мобильными приложениями, умными камерами или корпоративными системами — развернуть YOLO26 просто, а варианты гибкие. Пакет Ultralytics для Python поддерживает постоянно растущее число форматов экспорта, поэтому YOLO26 легко интегрировать в существующие рабочие процессы и запускать практически на любой платформе.

Среди форматов экспорта — TensorRT для максимального ускорения на GPU, ONNX для широкой совместимости, CoreML для нативных приложений iOS, TFLite для Android и периферийных устройств, а также OpenVINO для оптимизированной работы на оборудовании Intel. Благодаря такой гибкости перенести Ultralytics YOLO26 из разработки в промышленную эксплуатацию можно без лишних сложностей.

Ещё один важный аспект развёртывания — эффективная работа моделей на устройствах с ограниченными ресурсами. Здесь на помощь приходит квантование. Благодаря упрощённой архитектуре Ultralytics YOLO26 хорошо с ним справляется. Модель поддерживает развёртывание INT8 (сжатие до 8 бит для уменьшения размера и повышения скорости при минимальной потере точности), а также вычисления с половинной точностью (FP16) для ускорения инференса на совместимом оборудовании.

Самое важное — Ultralytics YOLO26 обеспечивает стабильную производительность при разных уровнях квантования, поэтому на неё можно положиться как на мощном сервере, так и на компактном периферийном устройстве.

От робототехники до производства: варианты применения Ultralytics YOLO26#

Ultralytics YOLO26 можно использовать в самых разных приложениях компьютерного зрения во многих отраслях и сценариях. От робототехники до производства — она способна значительно улучшить рабочие процессы и ускорить принятие более точных решений.

Например, в робототехнике Ultralytics YOLO26 помогает роботам интерпретировать окружающую обстановку в реальном времени. Это упрощает навигацию и повышает точность манипуляций с объектами. Кроме того, благодаря модели людям безопаснее работать вместе с роботами.

Ещё один пример — производство, где модель можно использовать для обнаружения дефектов. Она автоматически находит брак на производственных линиях быстрее и точнее, чем при ручной проверке.

Рис. 4. Обнаружение бутылок на производстве с помощью Ultralytics YOLO26.

В целом Ultralytics YOLO26 — более совершенная, быстрая и лёгкая модель, которая легко адаптируется к самым разным условиям: от компактных периферийных устройств до крупных корпоративных систем. Это практичный выбор для отраслей, стремящихся повысить эффективность, точность и надёжность.

Главные выводы#

Ultralytics YOLO26 — это более совершенная, быстрая и компактная модель компьютерного зрения, которая остаётся простой в использовании и демонстрирует высокую производительность. Она поддерживает широкий спектр задач и платформ и доступна всем с момента выпуска в январе 2026 года. Нам не терпится увидеть, как сообщество будет использовать её для создания новых решений и расширения возможностей компьютерного зрения.

Присоединяйся к нашему растущему сообществу! Загляни в наш репозиторий GitHub, чтобы узнать больше об AI. Познакомься с инновациями, например, с применением компьютерного зрения в розничной торговле и AI в автомобильной отрасли, на страницах наших решений. Чтобы уже сегодня начать разработку с использованием компьютерного зрения, ознакомься с нашими вариантами лицензирования.