Ultralytics YOLO26 : Modèles de vision unifiés, en temps réel et de bout en bout

Résumé

La vision en temps réel exige des modèles précis, efficaces et simples à déployer sur diverses architectures matérielles. La famille YOLO s'est largement imposée pour cette raison, mais la plupart des détecteurs YOLO reposent encore sur la suppression non-maximale lors de l'inférence, portent des têtes de détection lourdes à cause de la Distribution Focal Loss, nécessitent de longs cycles d'entraînement et peuvent laisser les plus petits objets sans affectation positive d'étiquettes. Nous présentons Ultralytics YOLO26, une famille de modèles unifiés de vision en temps réel qui résout ces limitations grâce à des avancées coordonnées en architecture et en entraînement. YOLO26 utilise une conception à double tête pour une inférence de bout en bout native sans NMS et élimine complètement la DFL, produisant une tête plus légère avec une plage de régression non contrainte. Son pipeline d'entraînement combine MuSGD, un optimiseur hybride Muon-SGD adapté de l'entraînement des grands modèles de langage ; Progressive Loss, qui déplace la supervision vers la tête d'inférence ; et STAL, une stratégie d'affectation d'étiquettes garantissant une couverture positive pour les petits objets. Au-delà de la détection, YOLO26 introduit des conceptions de tête et de perte spécifiques à la tâche pour la segmentation d'instances, l'estimation de poses et la détection orientée, générant des gains constants à travers les tâches et les échelles. La famille couvre cinq échelles (n/s/m/l/x) et prend en charge la détection, la segmentation d'instances, l'estimation de poses, la classification et la détection orientée dans un pipeline unique, avec une extension à vocabulaire ouvert, YOLOE-26, pour une inférence sans texte, sans visuel et sans incitation. À toutes les échelles, YOLO26 atteint 40,9-57,5 mAP sur COCO avec une latence de 1,7-11,8 ms sur T4 TensorRT, repoussant le front de Pareto précision-latence par rapport aux détecteurs temps réel antérieurs, tandis que YOLOE-26x atteint 40,6 AP sur LVIS minival avec incitation textuelle. Le code et les modèles sont disponibles à l'adresse 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.