Ultralytics YOLO26: новый стандарт ИИ компьютерного зрения с приоритетом периферийных устройств

Сегодня Ultralytics официально представляет YOLO26 — самую совершенную и готовую к развертыванию модель YOLO на сегодняшний день. Впервые представленная на мероприятии YOLO Vision 2025 (YV25), YOLO26 знаменует фундаментальный сдвиг в обучении, развертывании и масштабировании моделей компьютерного зрения в реальных системах.

ИИ для компьютерного зрения стремительно перемещается на периферию сети. Всё чаще изображения и видео обрабатываются непосредственно на устройствах, камерах, роботах и встроенных системах, где задержка, надёжность и стоимость важнее вычислительной мощности облака. YOLO26 создана именно для таких условий: модель обеспечивает точность на уровне передовых решений и эффективно работает на CPU, периферийных ускорителях и маломощном оборудовании.

Хотя YOLO26 — значительный шаг вперёд, она сохраняет привычный, оптимизированный опыт работы с Ultralytics YOLO, на который полагаются разработчики. Модель встраивается в существующие рабочие процессы, поддерживает широкий спектр задач компьютерного зрения и остаётся простой в использовании, поэтому её легко внедрять как исследовательским, так и производственным командам.

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

В этой статье мы подробно расскажем всё, что нужно знать об Ultralytics YOLO26, и объясним, что более лёгкая, компактная и быстрая модель YOLO означает для будущего ИИ для компьютерного зрения.

Ultralytics YOLO26 задает новый стандарт для ИИ в компьютерном зрении#

Ultralytics YOLO26 создана исходя из идеи, что передовые возможности ИИ для компьютерного зрения должны быть доступны каждому. Мы считаем, что мощные инструменты компьютерного зрения не должны быть закрыты или доступны лишь небольшой группе организаций.

На YV25 в Лондоне наш основатель и генеральный директор Гленн Джохер поделился своим видением: «Самые впечатляющие технологии ИИ скрыты за закрытыми дверями. Они недоступны. Крупные компании контролируют новые разработки, а всем остальным приходится ждать своей очереди, чтобы получить к ним доступ. В Ultralytics у нас другое видение. Мы хотим, чтобы ИИ был доступен каждому».

Он также объяснил, что это значит вывести ИИ из облака в реальные условия, добавив: «Мы хотим, чтобы технологии не просто оставались в облаке, а переносились на периферийные устройства, в твой телефон, автомобили и маломощные системы. И мы хотим, чтобы у тех талантливых людей, которые создают решения, был к ним доступ».

YOLO26 воплощает это видение на практике: модель создана для работы там, где ИИ для компьютерного зрения действительно применяется, а не там, где его проще всего прототипировать.

Разбираем Ultralytics YOLO26: передовую модель компьютерного зрения#

Как и предыдущие модели Ultralytics YOLO, YOLO26 поддерживает несколько задач компьютерного зрения в рамках единого семейства моделей. Доступны пять размеров: Nano (n), Small (s), Medium (m), Large (l) и Extra Large (x). Это позволяет командам выбирать баланс скорости, точности и размера модели с учетом ограничений целевой платформы.

Помимо гибкости, YOLO26 задаёт новую планку производительности. По сравнению с YOLO11, версия nano модели YOLO26 обеспечивает до 43% более быстрый инференс на CPU, что делает её одной из самых быстрых высокоточных моделей обнаружения объектов для развёртывания на периферийных устройствах и CPU.

Рис. 2. Ultralytics YOLO26 — передовая модель компьютерного зрения.

Рассмотрим подробнее задачи компьютерного зрения, поддерживаемые YOLO26:

• Обнаружение объектов: модель может находить и определять местоположение нескольких объектов на изображениях и видео.
• Сегментация экземпляров: YOLO26 может выделять отдельные объекты с точностью до пикселя.
• Классификация изображений: YOLO26 может анализировать изображение целиком и относить его к определённой категории, помогая системам понимать общий контекст сцены.
• Оценка позы: модель можно использовать для определения ключевых точек и оценки поз людей и других объектов.
• Обнаружение ориентированных ограничивающих рамок (OBB): YOLO26 может обнаруживать объекты под разными углами, что особенно полезно для аэрофотоснимков и спутниковых изображений.
• Отслеживание объектов: вместе с пакетом Ultralytics для Python YOLO26 можно использовать для отслеживания объектов в последовательности видеокадров и прямых трансляциях.

Все задачи поддерживают обучение, валидацию, инференс и экспорт в рамках единой согласованной среды. После выпуска в YOLO26 также добавили семантическую сегментацию и оценку монокулярной глубины.

Ключевые инновации Ultralytics YOLO26#

Ultralytics YOLO26 включает несколько ключевых инноваций, повышающих скорость инференса и стабильность обучения и упрощающих развертывание. Вот краткий обзор этих нововведений:

• Удаление функции потерь фокального распределения (DFL): модуль DFL удален, чтобы упростить предсказание ограничивающих рамок, улучшить совместимость с оборудованием и облегчить экспорт моделей и их запуск на периферийных и маломощных устройствах.
• Сквозной инференс без NMS: YOLO26 — нативная сквозная модель, которая сразу выдает итоговые предсказания, устраняя необходимость в подавлении немаксимумов и снижая задержку инференса и сложность развертывания.
• Прогрессивная балансировка функции потерь + STAL: усовершенствованные стратегии работы с функцией потерь стабилизируют обучение и повышают точность обнаружения, особенно для небольших объектов, которые сложно обнаружить.
• Оптимизатор MuSGD: YOLO26 использует новый гибридный оптимизатор, сочетающий SGD с методами оптимизации, вдохновленными Muon, для более стабильного обучения.
• До 43% более быстрый инференс на CPU: YOLO26 специально оптимизирована для периферийных вычислений и обеспечивает до 43% более быстрый инференс на CPU, позволяя устройствам на периферии работать в реальном времени.

Теперь подробно рассмотрим функции, благодаря которым YOLO26 работает быстрее и эффективнее и проще развёртывается.

Упрощение предсказаний благодаря удалению функции потерь фокального распределения#

В более ранних моделях YOLO во время обучения использовалась функция потерь фокального распределения (DFL), повышающая точность ограничивающих рамок. Несмотря на эффективность, DFL усложняла модель и накладывала фиксированные ограничения на регрессию, затрудняя экспорт и развертывание, особенно на периферийном и маломощном оборудовании.

В YOLO26 функция DFL удалена полностью. Это устраняет ограничения на регрессию ограничивающих рамок, характерные для предыдущих моделей, и повышает надежность и точность обнаружения очень крупных объектов.

Упрощая процесс предсказания ограничивающих рамок, YOLO26 облегчает экспорт и обеспечивает более надежную работу на широком спектре периферийных и маломощных устройств.

Сквозной инференс без NMS в Ultralytics YOLO26#

В традиционных конвейерах обнаружения объектов для фильтрации перекрывающихся предсказаний применяется постобработка с подавлением немаксимумов (NMS). Несмотря на эффективность, NMS увеличивает задержку и сложность, а также делает систему менее надежной, особенно при развертывании моделей в разных средах выполнения и на разных типах оборудования.

В YOLO26 появился собственный сквозной режим инференса: модель напрямую выдаёт итоговые предсказания, и NMS не требуется как отдельный этап постобработки. Дубликаты предсказаний обрабатываются непосредственно внутри сети.

Отказ от NMS снижает задержку, упрощает конвейеры развёртывания и уменьшает риск ошибок интеграции, благодаря чему YOLO26 особенно хорошо подходит для приложений реального времени и периферийных устройств.

Улучшение распознавания с помощью прогрессивной балансировки функции потерь + STAL#

Важное нововведение, связанное с обучением, — прогрессивная балансировка функции потерь (ProgLoss) и назначение меток с учётом малых объектов (STAL). Эти улучшения помогают стабилизировать обучение и повысить точность обнаружения.

ProgLoss помогает модели обучаться стабильнее, уменьшая колебания и обеспечивая более плавную сходимость. STAL, в свою очередь, улучшает обучение модели на небольших объектах, которые часто сложнее обнаружить из-за недостатка визуальных деталей.

Вместе ProgLoss и STAL обеспечивают более надежное обнаружение и заметно улучшают распознавание небольших объектов. Это особенно важно для периферийных приложений, например Интернета вещей (IoT), робототехники и анализа аэрофотоснимков, где объекты часто малы, удалены или видны лишь частично.

Более стабильное обучение с оптимизатором MuSGD#

В YOLO26 мы применили новый оптимизатор MuSGD, созданный для повышения стабильности и эффективности обучения. MuSGD — это гибридный подход, который сочетает преимущества традиционного стохастического градиентного спуска (SGD) с методами, вдохновленными Muon — оптимизатором, используемым при обучении больших языковых моделей (LLM).

Благодаря простоте и хорошей способности к обобщению SGD давно остается надежным выбором в компьютерном зрении. В то же время недавние достижения в обучении LLM показали, что новые методы оптимизации при грамотном применении могут повысить стабильность и скорость. MuSGD переносит некоторые из этих идей в область компьютерного зрения.

Вдохновленный моделью Kimi K2 от Moonshot AI, MuSGD использует стратегии оптимизации, которые помогают модели сходиться плавнее во время обучения. Благодаря этому YOLO26 быстрее достигает высокой производительности и обучается стабильнее, особенно в крупных и сложных сценариях обучения.

MuSGD помогает YOLO26 предсказуемо обучаться при любом размере модели, обеспечивая как повышение производительности, так и стабильность обучения.

Ultralytics YOLO26 обеспечивает до 43% более быстрый инференс на CPU#

По мере того как ИИ для компьютерного зрения приближается к источникам данных, высокая производительность на периферии становится все важнее. YOLO26 специально оптимизирована для периферийных вычислений и обеспечивает до 43% более быстрый инференс на CPU, позволяя устройствам без GPU работать в реальном времени. Благодаря этому отзывчивые и надежные системы компьютерного зрения могут работать непосредственно на камерах, роботах и встроенном оборудовании, где возможности ограничены задержкой, энергоэффективностью и стоимостью.

Улучшенные задачи компьютерного зрения в Ultralytics YOLO26#

Помимо архитектурных улучшений, повышающих точность обнаружения объектов, YOLO26 содержит оптимизации для отдельных задач, призванные улучшить результаты в различных задачах компьютерного зрения. Например, целевые обновления повышают точность и надежность сегментации экземпляров, оценки позы и обнаружения ориентированных ограничивающих рамок.

Краткий обзор этих оптимизаций:

• Сегментация экземпляров: YOLO26 использует функцию потерь семантической сегментации, чтобы улучшить обучение модели и повысить точность и стабильность масок экземпляров. Обновленный модуль прототипов также позволяет использовать информацию с нескольких масштабов, благодаря чему модель эффективнее обрабатывает объекты разных размеров даже в сложных сценах.
• Оценка позы: благодаря интеграции оценки остаточного логарифмического правдоподобия (RLE) — метода моделирования неопределенности предсказаний ключевых точек — и усовершенствованному декодированию YOLO26 точнее определяет ключевые точки и лучше работает в реальном времени.
• Обнаружение ориентированных ограничивающих рамок: в YOLO26 появилась специальная функция потерь для угла, которая помогает модели точнее определять поворот объектов. Это особенно полезно для объектов квадратной формы, ориентацию которых трудно определить однозначно. Оптимизированное декодирование OBB также уменьшает резкие скачки предсказанного угла вблизи границ поворота, обеспечивая более стабильную и согласованную оценку ориентации.

Рис. 3. Сегментация экземпляров с помощью Ultralytics YOLO26.

Ultralytics YOLOE-26: сегментация с открытым словарем на базе YOLO26#

Ultralytics также представляет YOLOE-26 — новое семейство моделей сегментации с открытым словарём, созданных на основе архитектуры и инновационных методов обучения YOLO26.

YOLOE-26 — это не новая задача или функция, а специализированное семейство моделей, использующее существующую задачу сегментации и поддерживающее текстовые и визуальные промпты, а также инференс без промптов. YOLOE-26 доступна во всех стандартных размерах YOLO и обеспечивает более высокую точность и надежную работу в реальных условиях по сравнению с предыдущими моделями сегментации с открытым словарем.

Ultralytics YOLO26 создана для реальных условий работы ИИ для компьютерного зрения#

От камер с компьютерным зрением до роботов, управляемых компьютерным зрением, и компактных периферийных процессоров — компьютерное зрение и ИИ развертываются непосредственно на устройствах для инференса в реальном времени. Ultralytics YOLO26 специально создана для таких условий, где критически важны низкая задержка, эффективность и надежность.

На практике это означает, что YOLO26 легко развернуть на широком спектре оборудования. В частности, модели можно экспортировать в форматы, оптимизированные для разных платформ и аппаратных ускорителей, с помощью пакета Ultralytics для Python и его многочисленных интеграций.

Например, экспорт в TensorRT обеспечивает высокопроизводительный инференс на GPU NVIDIA, а CoreML поддерживает нативное развёртывание на устройствах Apple, и OpenVINO оптимизирует производительность на оборудовании Intel. YOLO26 также можно экспортировать для запуска на различных специализированных периферийных ускорителях, обеспечивая высокую пропускную способность и энергоэффективный инференс на специализированном периферийном оборудовании для ИИ.

Это лишь несколько примеров: поддерживается множество других интеграций для периферийных и промышленных сред. Благодаря такой гибкости одну модель YOLO26 можно запускать на различных целевых платформах. Это упрощает рабочие процессы в промышленной эксплуатации и приближает ИИ для компьютерного зрения к периферии.

Новые сценарии применения компьютерного зрения в разных отраслях#

YOLO26 создана для развертывания в реальных условиях и подходит для широкого спектра задач компьютерного зрения в разных отраслях. Вот несколько примеров ее применения:

• Робототехника: YOLO26 можно использовать для навигации, обнаружения препятствий и взаимодействия с объектами. Эти возможности обеспечивают безопасную и эффективную работу роботов в динамичной среде.
• Производство: на производственных линиях YOLO26 может анализировать изображения и видео, выявляя дефекты, отсутствующие компоненты и проблемы в процессе. Обработка данных непосредственно на устройстве ускоряет обнаружение и снижает зависимость от облачных систем.
• Аэрофотосъемка и беспилотники: установив YOLO26 на беспилотник, можно обрабатывать аэрофотоснимки во время полета для инспекции, картографирования и съемки местности. Это позволяет анализировать сцены в реальном времени даже в удаленных местах.
• Встроенные системы и IoT: благодаря легковесной архитектуре YOLO26 может работать на маломощном встроенном оборудовании, обрабатывая визуальные данные локально. Типичные сценарии применения — умные камеры, подключенные датчики и устройства автоматизированного мониторинга.
• Умные города: в городской среде YOLO26 может анализировать видеопотоки с камер наблюдения за дорожным движением и общественными пространствами. Это позволяет решать на периферии такие задачи, как мониторинг дорожного движения, обеспечение общественной безопасности и управление инфраструктурой.

Рис. 4. YOLO26 можно использовать для различных задач компьютерного зрения.

Начало работы с Ultralytics YOLO26#

Ultralytics YOLO26 можно использовать в рамках двух взаимодополняющих рабочих процессов — в зависимости от того, как ты создаешь и развертываешь системы ИИ для компьютерного зрения.

Вариант 1: Используй Ultralytics YOLO26 через Ultralytics Platform (рекомендуется)

Ultralytics Platform предоставляет единое пространство для обучения, развёртывания и мониторинга моделей YOLO26 в рабочей среде. Платформа объединяет наборы данных, эксперименты и развёртывания, упрощая управление рабочими процессами ИИ для компьютерного зрения в больших масштабах, особенно для команд, развёртывающих решения на периферийных устройствах и в производственной среде.

На платформе пользователи могут:

• Получать доступ к моделям YOLO26
• Обучать и дообучать модели на собственных наборах данных
• Экспортировать модели для развертывания на периферии и в промышленной среде
• Отслеживать эксперименты и развернутые модели в рамках единого рабочего процесса

Узнай больше о YOLO26 на Ultralytics Platform: platform.ultralytics.com/ultralytics/yolo26

Вариант 2: используй Ultralytics YOLO26 в рамках рабочих процессов с открытым исходным кодом

YOLO26 по-прежнему полностью доступна в экосистеме Ultralytics с открытым исходным кодом и подходит для существующих рабочих процессов на Python, связанных с обучением, инференсом и экспортом.

Разработчики могут установить пакет Ultralytics, загрузить предварительно обученные модели YOLO26 и развернуть их с помощью привычных инструментов и форматов, таких как ONNX, TensorRT, CoreML и OpenVINO.

pip install ultralytics

from ultralytics import YOLO

# Загружаем модель YOLO26n, предварительно обученную на COCO
model = YOLO("yolo26n.pt")

# Выполняем инференс с моделью YOLO26n на изображении 'bus.jpg'
results = model("path/to/bus.jpg")

Для тех, кому нужны практический контроль или собственные конвейеры, в документации Ultralytics доступны полная документация и руководства.

Ultralytics YOLO26: создана для будущего компьютерного зрения#

Ultralytics YOLO26 создана с учетом требований будущих решений ИИ для компьютерного зрения: модели должны быть быстрыми, эффективными и простыми в развертывании на реальном оборудовании. Благодаря повышению производительности, упрощению развертывания и расширению возможностей модель YOLO26 органично подходит для самых разных практических задач. YOLO26 задает новый базовый уровень для создания, развертывания и масштабирования систем ИИ для компьютерного зрения. Нам не терпится увидеть, как сообщество будет применять ее для создания реальных систем компьютерного зрения.

Присоединяйся к нашему растущему сообществу и изучай наш репозиторий на GitHub, где собраны практические ресурсы по ИИ. Чтобы уже сегодня создавать решения на основе визуального ИИ, изучи наши варианты лицензирования. Узнай, как ИИ в сельском хозяйстве меняет фермерское хозяйство и как визуальный ИИ в робототехнике формирует будущее, посетив страницы наших решений.