Ultralytics YOLO26: новый стандарт для периферийного Vision AI

Сегодня Ultralytics официально запускает YOLO26 — самую продвинутую и готовую к развертыванию модель YOLO на сегодняшний день. Впервые анонсированная на YOLO Vision 2025 (YV25), модель YOLO26 знаменует собой фундаментальный сдвиг в том, как модели компьютерного зрения обучаются, развертываются и масштабируются в реальных системах.

Компьютерное зрение стремительно перемещается на периферию (edge). Все чаще изображения и видео обрабатываются непосредственно на устройствах: камерах, роботах и встраиваемых системах, где задержка, надежность и стоимость важнее, чем вычислительные мощности облака. YOLO26 разработана для этой реальности, обеспечивая передовую производительность при эффективной работе на CPU, периферийных ускорителях и маломощном оборудовании.

Несмотря на то, что YOLO26 — это значительный скачок вперед, она сохраняет привычный и удобный опыт работы с Ultralytics YOLO, на который полагаются разработчики. Она бесшовно вписывается в существующие рабочие процессы, поддерживает широкий спектр задач компьютерного зрения и остается простой в использовании, что делает её внедрение легким как для исследовательских, так и для производственных команд.

Рис. 1. Пример использования Ultralytics YOLO26 для обнаружения объектов

В этой статье мы разберем все, что тебе нужно знать об Ultralytics YOLO26, и что более легкая, маленькая и быстрая модель YOLO означает для будущего компьютерного зрения. Давай начнем!

Link to this sectionUltralytics YOLO26 устанавливает новый стандарт для компьютерного зрения#

Ultralytics YOLO26 построена вокруг идеи о том, что эффективные возможности компьютерного зрения должны быть доступны каждому. Мы верим, что мощные инструменты компьютерного зрения не должны быть скрыты или ограничены узким кругом организаций.

На конференции YV25 в Лондоне наш основатель и генеральный директор Glenn Jocher поделился своими мыслями об этом видении: «Самые удивительные технологии ИИ скрыты за закрытыми дверями. Они не открыты. Крупные компании контролируют новые разработки, а все остальные вынуждены ждать в очереди на доступ. У нас в Ultralytics другое видение. Мы хотим, чтобы ИИ был в руках каждого».

Он также объяснил, что это означает вывод ИИ из облака в реальные условия эксплуатации, добавив: «Мы хотим, чтобы технология не просто «висела» в облаке, а была доступна на периферийных устройствах, в твоем телефоне, в твоих автомобилях и маломощных системах. И мы хотим, чтобы все эти замечательные люди, создающие решения, имели к этому доступ».

YOLO26 отражает это видение на практике: модель создана для работы там, где компьютерное зрение действительно развертывается, а не там, где проще всего создать прототип.

Link to this sectionРазбор Ultralytics YOLO26: передовая модель компьютерного зрения#

Как и предыдущие модели Ultralytics YOLO, YOLO26 поддерживает множество задач компьютерного зрения в рамках единого семейства моделей. Она доступна в пяти размерах: Nano (n), Small (s), Medium (m), Large (l) и Extra Large (x), что позволяет командам балансировать между скоростью, точностью и размером модели в зависимости от ограничений развертывания.

Помимо гибкости, YOLO26 поднимает планку производительности. По сравнению с YOLO11, модель YOLO26 nano обеспечивает до 43% более быструю работу на CPU, что делает её одной из самых быстрых моделей высокоточного обнаружения объектов, доступных для развертывания на периферии и CPU.

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

Вот более подробный обзор задач компьютерного зрения, поддерживаемых YOLO26:

• Классификация изображений: YOLO26 может анализировать всё изображение целиком и присваивать ему определенную категорию, помогая системам понимать общий контекст сцены.
• Обнаружение объектов: Модель может находить и определять местоположение множества объектов на изображениях или видео.
• Сегментация экземпляров: YOLO26 может выделять контуры отдельных объектов с точностью до пикселя.
• Оценка позы: Ее можно использовать для идентификации ключевых точек и оценки поз людей и других объектов.
• Обнаружение с ориентированными BBox (OBB): YOLO26 может обнаруживать объекты под разными углами, что особенно полезно для аэрофотоснимков и спутниковых изображений.
• Отслеживание объектов: В сочетании с пакетом Ultralytics Python, YOLO26 можно использовать для отслеживания объектов в видеопотоках и трансляциях в реальном времени.

Все задачи поддерживают обучение, валидацию, инференс и экспорт в рамках согласованной инфраструктуры.

Link to this sectionКлючевые инновации Ultralytics YOLO26#

Ultralytics YOLO26 представляет несколько ключевых инноваций, которые повышают скорость инференса, стабильность обучения и простоту развертывания. Вот обзор этих нововведений:

• Удаление Distribution Focal Loss (DFL): Модуль DFL был удален, чтобы упростить предсказание BBox, улучшить совместимость с аппаратным обеспечением и облегчить экспорт и запуск моделей на периферийных и маломощных устройствах.
• End-to-end инференс без NMS: YOLO26 спроектирована как нативная end-to-end модель, которая выдает финальные предсказания напрямую, устраняя необходимость в Non-Maximum Suppression и снижая задержку инференса и сложность развертывания.
• Прогрессивная балансировка потерь (ProgLoss) + STAL: Эти улучшенные стратегии потерь стабилизируют обучение и повышают точность обнаружения, особенно для маленьких, трудноразличимых объектов.
• 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: Специально оптимизированная для периферийных вычислений, YOLO26 обеспечивает до 43% более быстрый инференс на CPU, обеспечивая производительность в реальном времени на периферийных устройствах.

Далее давай подробно разберем эти функции следующего поколения, которые делают YOLO26 быстрее, эффективнее и проще в развертывании.

Link to this sectionУпрощение предсказания за счет удаления Distribution Focal Loss#

Предыдущие модели YOLO использовали Distribution Focal Loss (DFL) во время обучения для повышения точности BBox. Несмотря на эффективность, DFL вносила дополнительную сложность и накладывала фиксированные ограничения на регрессию, что затрудняло экспорт и развертывание, особенно на периферийном и маломощном оборудовании.

YOLO26 полностью удаляет DFL. Удаление DFL устраняет фиксированные пределы регрессии BBox, присутствовавшие в более ранних моделях, повышая надежность и точность при обнаружении очень крупных объектов.

Благодаря упрощению процесса предсказания BBox, YOLO26 становится проще экспортировать, и она работает более надежно на широком спектре периферийных и маломощных устройств.

Link to this sectionEnd-to-end инференс без NMS с Ultralytics YOLO26#

Традиционные конвейеры обнаружения объектов полагаются на Non-Maximum Suppression (NMS) как на этап постобработки для фильтрации перекрывающихся предсказаний. Хотя это эффективно, NMS добавляет задержку, сложность и хрупкость, особенно при развертывании моделей на разных средах выполнения и целевом аппаратном обеспечении.

YOLO26 представляет нативный режим end-to-end инференса, где модель напрямую выдает финальные предсказания без необходимости в NMS как отдельном этапе постобработки. Дублирующиеся предсказания обрабатываются внутри самой сети.

Исключение NMS снижает задержку, упрощает конвейеры развертывания и снижает риск ошибок интеграции, что делает YOLO26 особенно подходящей для систем реального времени и периферийных развертываний.

Link to this sectionУлучшение распознавания с помощью Progressive Loss Balancing + STAL#

Важной особенностью, относящейся к обучению, является внедрение Progressive Loss Balancing (ProgLoss) и Small-Target-Aware Label Assignment (STAL). Эти улучшенные функции потерь помогают стабилизировать обучение и повысить точность обнаружения.

ProgLoss помогает модели обучаться более последовательно, снижая нестабильность и позволяя ей сходиться более плавно. В то же время STAL фокусируется на улучшении того, как модель обучается на маленьких объектах, которые часто сложнее обнаружить из-за ограниченных визуальных деталей.

Вместе ProgLoss и STAL приводят к более надежным обнаружениям с заметными улучшениями в распознавании мелких объектов. Это особенно важно для периферийных приложений, таких как Интернет вещей (IoT), робототехника и аэрофотосъемка, где объекты часто бывают маленькими, далекими или частично видимыми.

Link to this sectionБолее стабильное обучение с оптимизатором MuSGD#

В YOLO26 мы внедрили новый оптимизатор под названием MuSGD, разработанный для того, чтобы сделать обучение более стабильным и эффективным. MuSGD — это гибридный подход, объединяющий преимущества традиционного Stochastic Gradient Descent (SGD) с методами, вдохновленными Muon, оптимизатором, используемым при обучении больших языковых моделей (LLM).

SGD долгое время был надежным выбором в компьютерном зрении благодаря своей простоте и хорошей обобщающей способности. В то же время недавние успехи в обучении LLM показали, что новые методы оптимизации могут повысить стабильность и скорость при правильном применении. MuSGD переносит некоторые из этих идей в сферу компьютерного зрения.

Вдохновленный Kimi K2 от Moonshot AI, MuSGD включает стратегии оптимизации, которые помогают модели сходиться более плавно в процессе обучения. Это позволяет YOLO26 быстрее достигать высокой производительности, снижая нестабильность обучения, особенно в более крупных или сложных конфигурациях.

MuSGD помогает YOLO26 обучаться более предсказуемо для моделей разных размеров, внося свой вклад как в рост производительности, так и в стабильность обучения.

Link to this sectionUltralytics YOLO26 обеспечивает до 43% более быстрый инференс на CPU#

Поскольку ИИ компьютерного зрения продолжает приближаться к источнику данных, высокая производительность на периферии становится все более важной. Специально оптимизированная для периферийных вычислений, YOLO26 обеспечивает до 43% более быстрый инференс на CPU, гарантируя работу в реальном времени на устройствах без GPU. Это улучшение позволяет создавать отзывчивые и надежные системы зрения, работающие непосредственно на камерах, роботах и встраиваемом оборудовании, где задержка, эффективность и стоимостные ограничения определяют границы возможного.

Link to this sectionУлучшенные задачи компьютерного зрения, поддерживаемые Ultralytics YOLO26#

Помимо архитектурных улучшений, делающих обнаружение объектов более точным, YOLO26 также включает специфические оптимизации, предназначенные для повышения производительности во всех задачах компьютерного зрения. Например, она улучшает сегментацию экземпляров, оценку позы и обнаружение с ориентированными BBox с помощью целенаправленных обновлений, которые повышают точность и надежность.

Вот обзор этих оптимизаций:

• Сегментация экземпляров: YOLO26 использует потери семантической сегментации для улучшения обучения, что приводит к более точным и согласованным маскам экземпляров. Обновленный proto-модуль также позволяет использовать информацию с разных масштабов, поэтому модель эффективнее обрабатывает объекты разных размеров даже в сложных сценах.
• Оценка позы: Благодаря интеграции Residual Log-Likelihood Estimation (RLE) — техники, моделирующей неопределенность в предсказаниях ключевых точек, и улучшению процесса декодирования, YOLO26 выдает более точные ключевые точки с лучшей производительностью в реальном времени.
• Обнаружение с ориентированными BBox: YOLO26 представляет специализированные потери угла, которые помогают модели точнее изучать вращение объектов, особенно для квадратных объектов, где ориентация может быть неоднозначной. Оптимизированное декодирование OBB также уменьшает резкие скачки в предсказаниях углов вблизи границ поворота, что приводит к более стабильным и согласованным оценкам ориентации.

Рис. 3. Использование Ultralytics YOLO26 для сегментации экземпляров.

Link to this sectionUltralytics YOLOE-26: сегментация с открытым словарем на базе YOLO26#

Ultralytics также представляет YOLOE-26 — новое семейство моделей сегментации с открытым словарем, построенное на архитектуре и инновациях обучения YOLO26.

YOLOE-26 — это не новая задача или функция, а специализированное семейство моделей, которое повторно использует существующую задачу сегментации, при этом позволяя использовать текстовые подсказки, визуальные подсказки и инференс без подсказок. Доступная во всех стандартных размерах YOLO, YOLOE-26 обеспечивает более высокую точность и надежность в реальных условиях, чем предыдущие модели сегментации с открытым словарем.

Link to this sectionUltralytics YOLO26 разработана для того, где ИИ компьютерного зрения действительно работает#

От камер со зрением до роботов, работающих на основе компьютерного зрения, и крошечных процессоров на периферии — компьютерное зрение и ИИ развертываются непосредственно на устройствах для инференса в реальном времени. Ultralytics YOLO26 создана специально для этих сред, где критически важны низкая задержка, эффективность и надежная производительность.

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

Например, экспорт в TensorRT обеспечивает высокопроизводительный инференс на GPU NVIDIA, CoreML поддерживает нативное развертывание на устройствах Apple, а OpenVINO оптимизирует производительность на оборудовании Intel. YOLO26 также можно экспортировать для запуска на нескольких выделенных периферийных ускорителях, обеспечивая высокую пропускную способность и энергоэффективный инференс на специализированном оборудовании Edge AI.

Это лишь несколько примеров, существует множество других интеграций, поддерживаемых в периферийных и производственных средах. Такая гибкость позволяет одной модели YOLO26 работать на различных целевых устройствах. Это оптимизирует производственные рабочие процессы и приближает компьютерное зрение к периферии.

Link to this sectionПереосмысление сценариев использования компьютерного зрения в разных отраслях#

Разработанная для реального развертывания, YOLO26 может использоваться в широком спектре сценариев компьютерного зрения в различных отраслях. Вот несколько примеров того, где ее можно применить:

• Робототехника: YOLO26 можно использовать для таких задач, как навигация, обнаружение препятствий и взаимодействие с объектами. Эти возможности поддерживают безопасную и эффективную работу роботов в динамических средах.

• Производство: На производственных линиях YOLO26 может анализировать изображения и видео для выявления дефектов, отсутствующих компонентов или проблем с процессами. Обработка данных на устройстве сохраняет высокую скорость обнаружения и снижает зависимость от облачных систем.

• Авиационные и дронные приложения: При развертывании на дронах YOLO26 может обрабатывать аэрофотоснимки во время полета для инспекции, картографирования и геодезии. Это позволяет анализировать сцены в реальном времени даже в удаленных местах.

• Встраиваемые и IoT-системы: Благодаря своей легкой конструкции YOLO26 может работать на маломощном встраиваемом оборудовании для локальной обработки визуальных данных. Распространенные сценарии использования включают умные камеры, подключенные датчики и автоматизированные устройства мониторинга.

• Умные города: В городских условиях YOLO26 может анализировать видеопотоки с камер дорожного движения и общественных мест. Это позволяет реализовывать такие приложения, как мониторинг трафика, общественная безопасность и управление инфраструктурой на периферии.

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

Link to this sectionНачало работы с Ultralytics YOLO26#

Ultralytics YOLO26 можно использовать в двух взаимодополняющих рабочих процессах, в зависимости от того, как ты создаешь и развертываешь ИИ компьютерного зрения.

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

Платформа Ultralytics предоставляет централизованный способ обучения, развертывания и мониторинга моделей YOLO26 в производстве. Она объединяет наборы данных, эксперименты и развертывания в одном месте, облегчая управление рабочими процессами компьютерного зрения в масштабе, особенно для команд, развертывающих решения на периферии и в продакшене.

Через платформу пользователи могут:

• Получить доступ к моделям YOLO26
• Обучать и дообучать модели на собственных наборах данных
• Экспортировать модели для периферийного и производственного развертывания
• Мониторить эксперименты и развернутые модели в едином рабочем процессе

👉 Исследуй YOLO26 на платформе Ultralytics: platform.ultralytics.com/ultralytics/yolo26

Вариант 2: Используй Ultralytics YOLO26 через рабочие процессы с открытым исходным кодом

YOLO26 остается полностью доступной через экосистему открытого исходного кода Ultralytics и может использоваться с существующими Python-рабочими процессами для обучения, инференса и экспорта.

Разработчики могут установить пакет Ultralytics, загрузить предобученные модели YOLO26 и развернуть их, используя привычные инструменты и форматы, такие как ONNX, TensorRT, CoreML или OpenVINO.

pip install ultralytics

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")

Для пользователей, предпочитающих полный контроль или кастомные конвейеры, полная документация и руководства доступны в документации Ultralytics.

Link to this sectionUltralytics YOLO26: создана для того, что ждет компьютерное зрение в будущем#

Ultralytics YOLO26 разработана для удовлетворения потребностей завтрашних решений в области компьютерного зрения, где модели должны быть быстрыми, эффективными и простыми в развертывании на реальном оборудовании. Повышая производительность, упрощая развертывание и расширяя возможности модели, YOLO26 естественно вписывается в широкий спектр реальных приложений. YOLO26 устанавливает новый стандарт того, как создается, развертывается и масштабируется компьютерное зрение. Мы с нетерпением ждем, как сообщество будет использовать ее для создания реальных систем компьютерного зрения.

Присоединяйся к нашему растущему сообществу и изучай наш репозиторий на GitHub для получения практических ресурсов по ИИ. Чтобы создавать проекты с визуальным ИИ уже сегодня, ознакомься с нашими вариантами лицензирования. Узнай, как ИИ в сельском хозяйстве трансформирует фермерство и как визуальный ИИ в робототехнике формирует будущее, посетив наши страницы с решениями.