Ultralytics YOLO26: новый стандарт для периферийного Vision AI

Сегодня Ultralytics официально представляет YOLO26, самую передовую и готовую к развертыванию модель YOLO на сегодняшний день. Впервые анонсированная на YOLO Vision 2025 (YV25), модель YOLO26 представляет 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.

Хотя YOLO26 — это значительный шаг вперед, она по-прежнему сохраняет знакомый, оптимизированный интерфейс Ultralytics YOLO, на который полагаются разработчики. Она легко вписывается в существующие рабочие процессы, поддерживает широкий спектр задач компьютерного зрения и остается простой в использовании, что делает внедрение понятным 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!

Ultralytics YOLO26 устанавливает новый стандарт для компьютерного зрения#

Модель Ultralytics YOLO26 создана на основе идеи о том, что эффективные возможности искусственного интеллекта для компьютерного зрения должны быть легко доступны каждому. Мы верим, что мощные инструменты computer vision не должны быть закрыты или ограничены узким кругом организаций.

На конференции YV25 в Лондоне наш основатель и генеральный директор Glenn Jocher поделился своими мыслями об этом видении, сказав: «Самые потрясающие технологии искусственного интеллекта находятся за закрытыми дверями. Это не опенсорс. Крупные компании контролируют новые разработки, а все остальные вынуждены стоять в очереди за доступом. У нас в Ultralytics другое видение. Мы хотим, чтобы искусственный интеллект был в руках у 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.

Разбор 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, нано-модель YOLO26 обеспечивает до 43% более быстрый инференс на CPU, что делает ее одной из самых быстрых высокоточных моделей обнаружения объектов, доступных для развертывания на периферийных устройствах и на основе CPU.

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

Вот более подробный обзор computer vision tasks, 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.
• Трекинг объектов: В сочетании с Ultralytics Python package, YOLO26 может использоваться для отслеживания объектов по кадрам видео и прямым трансляциям.

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

Ключевые 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.

Упрощение 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.

End-to-end инференс без NMS с Ultralytics YOLO26#

Традиционные конвейеры object detection полагаются на Non-Maximum Suppression (NMS) как на шаг постобработки для фильтрации перекрывающихся предсказаний. Хотя это и эффективно, NMS добавляет задержки, сложность и хрупкость, особенно при развертывании моделей на нескольких средах выполнения и аппаратных платформах.

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.

Улучшение 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.

Более 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.

Ultralytics 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.

Улучшенные 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.

Ultralytics 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.

Ultralytics 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 развертывать на самом разнообразном «железе». В частности, с помощью пакета Ultralytics Python и его широкого спектра integrations модели могут экспортироваться 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.

Переосмысление 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 может использоваться 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 в технологическом процессе. Обработка данных на устройстве обеспечивает 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.

Начало 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

👉 Изучи 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, которые предпочитают ручное управление или кастомные конвейеры, full documentation and guides доступны в документации Ultralytics.

Ultralytics 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 в поисках практических ресурсов по ИИ. Чтобы создавать решения на базе визуального ИИ уже сегодня, ознакомься с нашими вариантами лицензирования. Узнай, как ИИ в сельском хозяйстве трансформирует земледелие и как визуальный ИИ в робототехнике формирует будущее, посетив наши страницы решений.