Ultralytics YOLO26: Einheitliche Echtzeit-End-to-End-Visionsmodelle

Zusammenfassung

Echtzeit-Vision erfordert Modelle, die präzise, effizient und einfach auf verschiedener Hardware bereitzustellen sind. Aus diesem Grund wurde die YOLO-Familie weit verbreitet eingesetzt, doch die meisten YOLO-Detektoren sind nach wie vor auf nicht-maximale Unterdrückung (Non-Maximum Suppression) während der Inferenz angewiesen, verfügen aufgrund des Distribution Focal Loss über schwere Detektionsköpfe, erfordern lange Trainingszeitpläne und können die kleinsten Objekte ohne positive Label-Zuweisung belassen. Wir präsentieren Ultralytics YOLO26, eine einheitliche Familie von Echtzeit-Visionsmodellen, die diese Einschränkungen durch koordinierte Architektur- und Trainingsfortschritte adressiert. YOLO26 verwendet ein Dual-Head-Design für native NMS-freie End-to-End-Inferenz und entfernt DFL vollständig, was einen leichteren Kopf mit uneingeschränktem Regressionsbereich ergibt. Seine Trainingspipeline kombiniert MuSGD, einen aus dem Training großer Sprachmodelle abgeleiteten hybriden Muon-SGD-Optimierer; Progressive Loss, der die Aufsicht in Richtung des Inferenzkopfes verschiebt; und STAL, eine Label-Zuweisungsstrategie, die positive Abdeckung für kleine Objekte garantiert. Über die Detektion hinaus führt YOLO26 aufgabenspezifische Kopf- und Verlustdesigns für Instanzsegmentierung, Posenschätzung und orientierte Detektion ein, was konsistente Verbesserungen über Aufgaben und Skalen hinweg erzielt. Die Familie umfasst fünf Skalen (n/s/m/l/x) und unterstützt Detektion, Instanzsegmentierung, Posenschätzung, Klassifikation und orientierte Detektion in einer einzigen Pipeline, mit einer Open-Vocabulary-Erweiterung, YOLOE-26, für text-, visuelle und promptfreie Inferenz. Über alle Skalen hinweg erreicht YOLO26 40,9–57,5 mAP auf COCO bei 1,7–11,8 ms T4-TensorRT-Latenz, was die Genauigkeits-Latenz-Pareto-Grenze im Vergleich zu früheren Echtzeitdetektoren voranbringt, während YOLOE-26x 40,6 AP auf LVIS minival bei Text-Prompting erreicht. Code und Modelle sind verfügbar unter https://github.com/ultralytics/ultralytics.

English

Real-time vision demands models that are accurate, efficient, and simple to deploy across diverse hardware. The YOLO family has become widely deployed for this reason, yet most YOLO detectors still rely on non-maximum suppression at inference, carry heavy detection heads due to Distribution Focal Loss, require long training schedules, and can leave the smallest objects without positive label assignments. We present Ultralytics YOLO26, a unified real-time vision model family that addresses these limitations through coordinated architecture and training advances. YOLO26 uses a dual-head design for native NMS-free end-to-end inference and removes DFL entirely, yielding a lighter head with unconstrained regression range. Its training pipeline combines MuSGD, a hybrid Muon-SGD optimizer adapted from large language model training; Progressive Loss, which shifts supervision toward the inference-time head; and STAL, a label assignment strategy that guarantees positive coverage for small objects. Beyond detection, YOLO26 introduces task-specific head and loss designs for instance segmentation, pose estimation, and oriented detection, producing consistent gains across tasks and scales. The family spans five scales (n/s/m/l/x) and supports detection, instance segmentation, pose estimation, classification, and oriented detection in a single pipeline, with an open-vocabulary extension, YOLOE-26, for text-, visual-, and prompt-free inference. Across all scales, YOLO26 achieves 40.9-57.5 mAP on COCO at 1.7-11.8 ms T4 TensorRT latency, advancing the accuracy-latency Pareto front over prior real-time detectors, while YOLOE-26x reaches 40.6 AP on LVIS minival under text prompting. Code and models are available at https://github.com/ultralytics/ultralytics.