Встречай Ultralytics YOLO26: лучшая, быстрая и компактная модель YOLO

25 сентября на нашем ежегодном гибридном мероприятии YOLO Vision 2025 (YV25) в Лондоне Glenn Jocher, наш основатель и генеральный директор, официально анонсировал новейший прорыв в серии моделей Ultralytics YOLO — Ultralytics YOLO26! Наша новая модель компьютерного зрения, YOLO26, способна анализировать и интерпретировать изображения и видео благодаря оптимизированной архитектуре, которая балансирует между скоростью, точностью и простотой развертывания.

Хотя Ultralytics YOLO26 упрощает некоторые аспекты дизайна модели и содержит новые улучшения, она по-прежнему предлагает привычные функции, которые пользователи ожидают от моделей Ultralytics YOLO. Например, Ultralytics YOLO26 проста в использовании, поддерживает ряд задач компьютерного зрения и предоставляет гибкие возможности интеграции и развертывания.

Безусловно, это делает переход на Ultralytics YOLO26 беспроблемным, и нам не терпится увидеть, как пользователи опробуют её самостоятельно, когда она станет общедоступной в конце октября.

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

Проще говоря, Ultralytics YOLO26 — это улучшенная, более быстрая и компактная модель ИИ для компьютерного зрения. В этой статье мы изучим ключевые особенности Ultralytics YOLO26 и то, что она привносит. Давай начнем!

Link to this sectionРасширяем границы ИИ для компьютерного зрения с помощью Ultralytics YOLO26#

Прежде чем мы погрузимся в ключевые особенности Ultralytics YOLO26 и возможности, которые она открывает, давай сделаем шаг назад и обсудим вдохновение и мотивацию, которые двигали процессом разработки этой модели.

В Ultralytics мы всегда верили в силу инноваций. С самого начала наша миссия была двойной. С одной стороны, мы хотим сделать ИИ для зрения доступным, чтобы каждый мог использовать его без барьеров. С другой стороны, мы стремимся поддерживать его на передовом уровне, расширяя границы того, чего могут достичь модели компьютерного зрения.

Ключевым фактором этой миссии является то, что область ИИ постоянно развивается. Например, Edge AI, который предполагает запуск моделей ИИ непосредственно на устройствах, а не в облаке, быстро внедряется в разных отраслях.

От умных камер до автономных систем — теперь от устройств на периферии ожидается обработка информации в реальном времени. Этот сдвиг требует более легких и быстрых моделей, которые при этом обеспечивают тот же высокий уровень точности.

Вот почему существует постоянная необходимость совершенствовать наши модели Ultralytics YOLO. Как говорит Glenn Jocher: «Одной из самых больших задач было убедиться, что пользователи смогут получить максимум от YOLO26, при этом сохраняя топовую производительность».

Link to this sectionОбзор Ultralytics YOLO26#

YOLO26 доступна «из коробки» в пяти различных вариантах моделей, что дает тебе гибкость в использовании её возможностей в приложениях любого масштаба. Все эти варианты моделей поддерживают множество задач компьютерного зрения, как и предыдущие модели Ultralytics YOLO. Это означает, что независимо от выбранного размера, ты можешь положиться на YOLO26, которая предоставит широкий спектр возможностей, подобно Ultralytics YOLO11.

Вот обзор задач компьютерного зрения, поддерживаемых YOLO26:

• Обнаружение объектов (Object detection): YOLO26 может идентифицировать и находить несколько объектов внутри изображения или кадра видео.
• Сегментация экземпляров (Instance segmentation): Шагая дальше обнаружения, YOLO26 может создавать границы с точностью до пикселя вокруг каждого идентифицированного объекта.
• Классификация изображений (Image classification): Модель может анализировать изображение целиком и присваивать ему определенную категорию или метку.
• Оценка позы (Pose estimation): YOLO26 может обнаруживать ключевые точки и оценивать позы людей, а также других объектов.
• Ориентированные ограничивающие рамки (OBB): Модель может обнаруживать объекты под любым углом, что особенно полезно для аэрофотосъемки, дронов и спутниковых снимков, где такие объекты, как здания, транспорт или посевы, могут быть не выровнены относительно кадра изображения.
• Отслеживание объектов (Object tracking): YOLO26 можно использовать для отслеживания объектов между кадрами видео или в потоках реального времени.

Рис. 2. Обнаружение объектов на изображении с использованием YOLO26.

Link to this sectionВзгляд на архитектуру YOLO26#

Теперь, когда мы лучше понимаем, на что способна YOLO26, давай пройдемся по некоторым инновациям в её архитектуре.

Дизайн модели был оптимизирован путем удаления модуля Distribution Focal Loss (DFL), который ранее замедлял инференс и ограничивал регрессию ограничивающих рамок.

Процесс предсказания также был упрощен с помощью опции сквозного (end-to-end, E2E) инференса, которая позволяет модели пропускать традиционный этап Non-Maximum Suppression (NMS). Это улучшение снижает сложность и позволяет модели выдавать результаты быстрее, упрощая развертывание в реальных приложениях.

Другие улучшения делают модель умнее и надежнее. Progressive Loss Balancing (ProgLoss) помогает стабилизировать обучение и улучшить точность, в то время как Small-Target-Aware Label Assignment (STAL) гарантирует более эффективное обнаружение мелких объектов. Кроме того, новый оптимизатор MuSGD улучшает сходимость при обучении и повышает общую производительность.

Фактически, самая маленькая версия YOLO26, модель nano, теперь работает на 43% быстрее на стандартных CPU, что делает её особенно подходящей для мобильных приложений, умных камер и других периферийных устройств, где критически важны скорость и эффективность. Вот краткий обзор особенностей YOLO26 и того, что ждет пользователей:

• Удаление DFL: Мы убрали модуль Distribution Focal Loss из архитектуры модели. Независимо от размера объектов на изображении, YOLO26 может расставлять точные ограничивающие рамки, работая при этом более эффективно.
• Сквозной (end-to-end) инференс без NMS: YOLO26 добавляет дополнительный режим, не требующий Non-Maximum Suppression (NMS) — шага, обычно используемого для удаления дублирующихся предсказаний, что делает развертывание проще и быстрее для использования в реальном времени.
• ProgLoss и STAL: Эти улучшения делают обучение более стабильным и значительно повышают точность, особенно при обнаружении мелких объектов в сложных сценах.
• Оптимизатор MuSGD: YOLO26 использует новый оптимизатор, который объединяет сильные стороны двух оптимизаторов обучения (Muon и SGD), помогая модели быстрее обучаться и достигать более высокой точности.

Рис. 3. Бенчмаркинг YOLO26.

Link to this sectionУпрощение развертывания с Ultralytics YOLO26#

Работаешь ли ты над мобильными приложениями, умными камерами или корпоративными системами, развертывание YOLO26 происходит просто и гибко. Пакет Ultralytics Python поддерживает постоянно растущее число форматов экспорта, что упрощает интеграцию YOLO26 в существующие рабочие процессы и делает её совместимой практически с любой платформой.

Некоторые из вариантов экспорта включают 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 производительности на оборудовании Intel. Эта гибкость делает путь YOLO26 от разработки до продакшена простым и без лишних препятствий.

Другая важнейшая часть развертывания — убедиться, что модели эффективно работают на устройствах с ограниченными ресурсами. Здесь на помощь приходит квантование. Благодаря упрощенной архитектуре, YOLO26 справляется с этим исключительно хорошо. Она поддерживает развертывание INT8 (используя 8-битное сжатие для уменьшения размера и повышения скорости при минимальной потере точности), а также половинную точность (FP16) для более быстрого инференса на поддерживаемом оборудовании.

Что важнее всего, YOLO26 обеспечивает стабильную производительность на всех уровнях квантования, поэтому ты можешь положиться на неё, будь то мощный сервер или компактное периферийное устройство.

Link to this sectionОт робототехники до производства: варианты использования YOLO26#

YOLO26 можно использовать в самых разных приложениях компьютерного зрения во многих отраслях и сценариях. От робототехники до производства, она может оказать значительное влияние, улучшая рабочие процессы и позволяя принимать решения быстрее и точнее.

Например, отличный пример — это робототехника, где YOLO26 может помочь роботам интерпретировать окружающую среду в реальном времени. Это делает навигацию более плавной, а обращение с объектами — более точным. Это также позволяет сделать взаимодействие с людьми безопаснее.

Другой пример — производство, где модель можно использовать для обнаружения дефектов. Она может автоматически выявлять брак на производственных линиях быстрее и точнее, чем ручная проверка.

Рис. 4. Обнаружение бутылок на производстве с использованием YOLO26.

В целом, поскольку YOLO26 лучше, быстрее и легче, она легко адаптируется к широкому спектру сред: от легковесных периферийных устройств до крупных корпоративных систем. Это делает её практичным выбором для отраслей, стремящихся повысить эффективность, точность и надежность.

Link to this sectionОсновные выводы#

Ultralytics YOLO26 — это модель компьютерного зрения, которая лучше, быстрее и легче, при этом оставаясь простой в использовании и обеспечивающей высокую производительность. Она работает с широким спектром задач и платформ и станет доступна каждому в конце октября. Мы с нетерпением ждем, как сообщество будет использовать её для создания новых решений и расширения границ компьютерного зрения.

Присоединяйся к нашему растущему сообществу! Изучи наш репозиторий на GitHub, чтобы узнать больше об ИИ. Открывай для себя инновации, такие как компьютерное зрение в ритейле и ИИ в автомобильной промышленности, посещая страницы наших решений. Чтобы начать создавать с помощью компьютерного зрения уже сегодня, ознакомься с нашими вариантами лицензирования.