Ultralytics YOLO26: новый стандарт edge-first AI для компьютерного зрения

Сегодня Ultralytics официально представляет YOLO26 — самую продвинутую и готовую к развёртыванию модель YOLO на сегодняшний день. Впервые представленная на мероприятии YOLO Vision 2025 (YV25), YOLO26 знаменует фундаментальный сдвиг в подходах к обучению, развёртыванию и масштабированию моделей компьютерного зрения в реальных системах.

Компьютерное зрение с ИИ стремительно перемещается на периферийные устройства. Всё чаще изображения и видео обрабатываются непосредственно на устройствах, камерах, роботах и встроенных системах, где задержка, надёжность и стоимость важнее вычислительной мощности облака. YOLO26 разработана с учётом этой реальности: она обеспечивает ведущую в отрасли производительность при эффективной работе на CPU, периферийных ускорителях и оборудовании с низким энергопотреблением.

Несмотря на значительный шаг вперёд, YOLO26 сохраняет знакомый и упрощённый опыт работы с Ultralytics YOLO, на который рассчитывают разработчики. Модель легко интегрируется в существующие рабочие процессы, поддерживает широкий спектр задач компьютерного зрения и остаётся простой в использовании, поэтому её внедрение удобно как для исследовательских, так и для производственных команд.

Рис. 1. Пример использования Ultralytics YOLO26 для обнаружения объектов

В этой статье мы разберём всё, что тебе нужно знать об Ultralytics YOLO26, а также расскажем, что означает более лёгкая, компактная и быстрая модель YOLO для будущего компьютерного зрения с ИИ. Начнём!

Ultralytics YOLO26 устанавливает новый стандарт компьютерного зрения с ИИ#

Ultralytics YOLO26 создана вокруг идеи, что эффективные возможности компьютерного зрения с ИИ должны быть доступны каждому. Мы считаем, что мощные инструменты компьютерного зрения не должны быть закрытыми или доступными лишь небольшому числу организаций.

На YV25 в Лондоне наш основатель и генеральный директор Glenn Jocher поделился своим видением: «Самые впечатляющие технологии ИИ скрыты за закрытыми дверями. Они не открыты. 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 в руках каждого».

Он также объяснил, что это означает перенос ИИ из облака в реальные среды: «Мы хотим, чтобы технология не просто находилась в облаке, а перемещалась на периферийные устройства, в твой телефон, автомобили и системы с низким энергопотреблением. И мы хотим, чтобы эти удивительные люди, создающие решения, имели к ней доступ».

YOLO26 воплощает это видение на практике: это модель, разработанная для работы там, где компьютерное зрение с ИИ действительно развёртывается, а не там, где проще всего создавать прототипы.

Разбираем Ultralytics YOLO26: передовую модель компьютерного зрения#

Как и предыдущие модели Ultralytics YOLO, YOLO26 поддерживает несколько 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 выбирать оптимальный баланс скорости, точности и размера модели с учётом ограничений развёртывания.

Помимо гибкости, YOLO26 поднимает планку производительности. По сравнению с YOLO11, nano-модель YOLO26 обеспечивает до 43% более быстрый вывод 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:

• Классификация изображений: YOLO26 может анализировать изображение целиком и относить его к определённой категории, помогая системам понимать общий контекст сцены.
• Обнаружение объектов: модель может находить и локализовать несколько объектов на изображениях или в видео.
• Сегментация экземпляров: YOLO26 может выделять отдельные объекты с точностью до пикселя.
• 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: в сочетании с пакетом Ultralytics для Python YOLO26 можно использовать для отслеживания объектов между кадрами видео и в потоках реального времени.

Все задачи поддерживают обучение, валидацию, вывод и экспорт в рамках единого согласованного фреймворка.

Ключевые инновации Ultralytics YOLO26#

Ultralytics YOLO26 представляет несколько ключевых инноваций, повышающих скорость вывода, стабильность обучения и простоту развёртывания. Ниже приведён обзор этих инноваций:

• Удаление Distribution Focal Loss (DFL): модуль DFL удалён, чтобы упростить предсказание ограничивающих рамок, улучшить совместимость с оборудованием и упростить экспорт и запуск моделей на периферийных устройствах и оборудовании с низким энергопотреблением.
• Сквозной вывод без NMS: YOLO26 разработана как нативная сквозная модель, которая напрямую выдаёт итоговые предсказания, устраняя необходимость в подавлении немаксимумов и снижая задержку вывода и сложность развёртывания.
• Progressive Loss Balancing + STAL: эти улучшенные стратегии работы с функцией потерь стабилизируют обучение и повышают точность обнаружения, особенно для небольших объектов, которые трудно обнаружить.
• Оптимизатор MuSGD: YOLO26 использует новый гибридный оптимизатор, объединяющий SGD с методами оптимизации, вдохновлёнными Muon, для более стабильного обучения.
• До 43% более быстрый вывод на CPU: YOLO26 специально оптимизирована для периферийных вычислений и обеспечивает до 43% более быстрый вывод на CPU, позволяя работать в реальном времени на периферийных устройствах.

Теперь подробно рассмотрим функции нового поколения, которые делают YOLO26 быстрее, эффективнее и проще в развёртывании.

Упрощение предсказаний за счёт удаления Distribution Focal Loss#

Предыдущие модели YOLO использовали Distribution Focal Loss (DFL) во время обучения для повышения точности ограничивающих рамок. Хотя этот подход эффективен, DFL добавлял сложность и устанавливал фиксированные ограничения регрессии, из-за чего экспорт и развёртывание становились сложнее, особенно на периферийном оборудовании и устройствах с низким энергопотреблением.

YOLO26 полностью удаляет DFL. Это устраняет фиксированные ограничения регрессии ограничивающих рамок, присутствовавшие в предыдущих моделях, и повышает надёжность и точность обнаружения очень крупных объектов.

Благодаря упрощению процесса предсказания ограничивающих рамок YOLO26 легче экспортировать, и она надёжнее работает на широком спектре периферийных устройств и оборудования с низким энергопотреблением.

Сквозной вывод без NMS с Ultralytics YOLO26#

Традиционные конвейеры обнаружения объектов используют подавление немаксимумов (NMS) на этапе постобработки для фильтрации перекрывающихся предсказаний. Хотя этот метод эффективен, NMS увеличивает задержку, сложность и уязвимость, особенно при развёртывании моделей в различных средах выполнения и на разных аппаратных платформах.

YOLO26 представляет нативный режим сквозного вывода, в котором модель напрямую выдаёт итоговые предсказания без необходимости использовать NMS 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 развёртывания в реальном времени и на периферийных устройствах.

Повышение качества распознавания с помощью Progressive Loss Balancing + STAL#

Важной функцией, связанной с обучением, стало внедрение Progressive Loss Balancing (ProgLoss) и Small-Target-Aware Label Assignment (STAL). Эти улучшенные функции потерь помогают стабилизировать обучение и повышать точность обнаружения.

ProgLoss помогает модели более последовательно обучаться, снижая нестабильность и обеспечивая более плавную сходимость. STAL, в свою очередь, улучшает обучение модели на небольших объектах, которые часто труднее обнаруживать из-за ограниченного количества визуальной информации.

Вместе ProgLoss и STAL обеспечивают более надёжное обнаружение и заметно повышают качество распознавания небольших объектов. Это особенно важно для периферийных приложений, таких как Интернет вещей (IoT), робототехника и анализ аэрофотоснимков, где объекты часто бывают маленькими, удалёнными или частично видимыми.

Более стабильное обучение с оптимизатором MuSGD#

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

SGD уже давно остаётся надёжным выбором в компьютерном зрении благодаря простоте и хорошей способности к обобщению. В то же время последние достижения в обучении LLM показали, что новые методы оптимизации при грамотном применении могут повышать стабильность и скорость. MuSGD переносит некоторые из этих идей в область компьютерного зрения.

Вдохновлённый Kimi K2 от Moonshot AI, MuSGD использует стратегии оптимизации, которые помогают модели плавнее сходиться во время обучения. Благодаря этому YOLO26 быстрее достигает высокой производительности при меньшей нестабильности обучения, особенно в более крупных и сложных конфигурациях.

MuSGD помогает YOLO26 более предсказуемо обучаться на моделях разных размеров, повышая как производительность, так и стабильность обучения.

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

По мере того как компьютерное зрение с ИИ приближается к месту генерации данных, высокая производительность на периферии становится всё более важной. Специально оптимизированная для периферийных вычислений, YOLO26 обеспечивает до 43% более быстрый вывод на CPU, гарантируя работу в реальном времени на устройствах без GPU. Это улучшение позволяет запускать отзывчивые и надёжные системы компьютерного зрения непосредственно на камерах, роботах и встроенном оборудовании, где задержка, эффективность и ограничения стоимости определяют возможное.

Улучшенные задачи компьютерного зрения, поддерживаемые Ultralytics YOLO26#

Помимо архитектурных улучшений, повышающих точность обнаружения объектов, YOLO26 включает оптимизации для отдельных задач, призванные улучшить производительность в различных задачах компьютерного зрения. Например, модель повышает качество сегментации экземпляров, оценки позы и обнаружения ориентированных ограничивающих рамок благодаря целевым обновлениям, улучшающим точность и надёжность.

Ниже приведён обзор этих оптимизаций:

• Сегментация экземпляров: YOLO26 использует функцию потерь семантической сегментации для улучшения обучения модели, что приводит к более точным и стабильным маскам экземпляров. Обновлённый модуль proto также позволяет использовать информацию с нескольких масштабов, поэтому модель эффективнее обрабатывает объекты разных размеров даже в сложных сценах.
• Оценка позы: благодаря интеграции Residual Log-Likelihood Estimation (RLE) — метода моделирования неопределённости в предсказаниях ключевых точек — и улучшению процесса декодирования YOLO26 обеспечивает более точные ключевые точки при повышенной производительности в реальном времени.
• Обнаружение ориентированных ограничивающих рамок: YOLO26 представляет специализированную функцию потерь угла, которая помогает модели точнее учиться распознавать вращение объектов, особенно объектов квадратной формы, для которых ориентация может быть неоднозначной. Оптимизированное декодирование OBB также уменьшает резкие скачки в предсказаниях угла около границ вращения, обеспечивая более стабильные и согласованные оценки ориентации.

Рис. 3. Использование Ultralytics YOLO26 для сегментации экземпляров.

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

Ultralytics также представляет YOLOE-26 — новое семейство моделей сегментации с открытым словарём, созданное на основе архитектуры и инноваций в обучении YOLO26.

YOLOE-26 — это не новая задача или функция, а специализированное семейство моделей, повторно использующее существующую задачу сегментации и поддерживающее текстовые и визуальные подсказки, а также вывод без подсказок. Доступная во всех стандартных размерах YOLO, YOLOE-26 обеспечивает более высокую точность и надёжную производительность в реальных условиях по сравнению с предыдущими моделями сегментации с открытым словарём.

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

От камер, использующих компьютерное зрение, до роботов на базе компьютерного зрения и компактных периферийных процессоров — компьютерное зрение и ИИ развёртываются непосредственно на устройствах для вывода в реальном времени. Ultralytics YOLO26 специально создана для таких сред, где критически важны низкая задержка, эффективность и стабильная производительность.

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

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

Это лишь несколько примеров: поддерживается множество других интеграций для периферийных и производственных сред. Такая гибкость позволяет одной модели YOLO26 работать на самых разных целевых платформах. Она упрощает производственные рабочие процессы и приближает компьютерное зрение с ИИ к периферии.

Новое определение применений компьютерного зрения в разных отраслях#

YOLO26 разработана для развёртывания в реальных условиях и может использоваться в широком спектре задач компьютерного зрения в различных отраслях. Вот несколько примеров её применения:

• Робототехника: YOLO26 можно использовать для навигации, обнаружения препятствий и взаимодействия с объектами. Эти возможности обеспечивают безопасную и эффективную работу роботов в динамичных средах.

• Производство: на производственных линиях YOLO26 может анализировать изображения и видео для выявления дефектов, отсутствующих компонентов или проблем в процессе. Обработка данных непосредственно на устройстве ускоряет обнаружение и снижает зависимость от облачных систем.

• Аэрофотосъёмка и дроны: при развёртывании на дронах YOLO26 может обрабатывать аэрофотоснимки во время полёта для инспекций, картографирования и обследований. Это позволяет анализировать сцены в реальном времени даже в удалённых местах.

• Встроенные системы и IoT: благодаря лёгкой архитектуре YOLO26 может работать на оборудовании со встроенными системами и низким энергопотреблением, обрабатывая визуальные данные локально. Распространённые варианты применения включают умные камеры, подключённые 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 реализовать на периферии такие приложения, как мониторинг трафика, общественная безопасность и управление инфраструктурой.

Рис. 4. YOLO26 можно использовать в различных приложениях компьютерного зрения.

Начало работы с Ultralytics YOLO26#

Ultralytics YOLO26 можно использовать в рамках двух взаимодополняющих рабочих процессов — в зависимости от того, как ты создаёшь и развёртываешь решения компьютерного зрения с ИИ.

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

Ultralytics Platform предоставляет централизованный способ обучения, развёртывания и мониторинга моделей YOLO26 в production. Она объединяет датасеты, эксперименты и развёртывания в одном месте, упрощая управление рабочими процессами компьютерного зрения с ИИ в большом масштабе, особенно для команд, развёртывающих решения на периферии и в production-средах.

Через Platform пользователи могут:

• Получать доступ к моделям YOLO26
• Обучать модели и выполнять дообучение на пользовательских датасетах
• Экспортировать модели для развёртывания на периферии и в production
• Мониторить эксперименты и развёрнутые модели в рамках единого рабочего процесса

👉 Изучи YOLO26 на Ultralytics Platform: platform.ultralytics.com/ultralytics/yolo26

Вариант 2: используй Ultralytics YOLO26 через open-source рабочие процессы

YOLO26 по-прежнему полностью доступна в open-source экосистеме Ultralytics и может использоваться в существующих рабочих процессах на базе Python для обучения, вывода и экспорта.

Разработчики могут установить пакет Ultralytics, загрузить предварительно обученные модели YOLO26 и развёртывать их с помощью знакомых инструментов и форматов, таких 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, которым нужен полный контроль или пользовательские конвейеры, в документации Ultralytics доступны полная документация и руководства.

Ultralytics YOLO26: создана для будущего компьютерного зрения#

Ultralytics YOLO26 разработана с учётом потребностей завтрашних решений компьютерного зрения с ИИ, где модели должны быть быстрыми, эффективными и простыми в развёртывании на реальном оборудовании. Благодаря повышению производительности, упрощению развёртывания и расширению возможностей модели YOLO26 естественно подходит для широкого спектра реальных приложений. YOLO26 устанавливает новый базовый стандарт создания, развёртывания и масштабирования решений компьютерного зрения с ИИ. Нам не терпится увидеть, как сообщество будет использовать её для запуска реальных систем компьютерного зрения.

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