Ultralytics YOLO26: 統合リアルタイムエンドツーエンドビジョンモデル

要旨

リアルタイムビジョンでは、多様なハードウェアにわたって正確かつ効率的で、簡単にデプロイ可能なモデルが求められる。YOLOファミリーはこの理由から広く展開されてきたが、ほとんどのYOLO検出器は依然として推論時に非最大値抑制（NMS）に依存し、Distribution Focal Lossにより重い検出ヘッドを抱え、長い学習スケジュールを必要とし、最も小さい物体にポジティブラベル割り当てが行われないという課題がある。本稿では、これらの制約をアーキテクチャと学習の進歩を通じて解決する統合リアルタイムビジョンモデルファミリー、Ultralytics YOLO26を提案する。YOLO26は、デュアルヘッド設計によりNMSフリーなエンドツーエンド推論を実現し、DFLを完全に排除することで、制約のない回帰範囲を持つ軽量なヘッドを実現する。その学習パイプラインは、大規模言語モデルの学習から適応したハイブリッドMuon-SGD最適化器MuSGD、推論時のヘッドに監視をシフトするProgressive Loss、そして小物体に対してポジティブなカバレッジを保証するラベル割り当て戦略STALを組み合わせる。検出に加えて、YOLO26はインスタンスセグメンテーション、姿勢推定、回転検出向けのタスク固有のヘッドと損失設計を導入し、タスクとスケールにわたって一貫した性能向上をもたらす。本ファミリーは5つのスケール（n/s/m/l/x）にわたり、単一パイプラインで検出、インスタンスセグメンテーション、姿勢推定、分類、回転検出をサポートし、テキスト、ビジュアル、プロンプトフリー推論のためのオープンボキャブラリ拡張YOLOE-26も備える。全スケールにおいて、YOLO26はCOCO上で40.9～57.5 mAP、T4 TensorRTレイテンシ1.7～11.8 msを達成し、従来のリアルタイム検出器を超える精度-レイテンシのパレート最前線を更新する。また、YOLOE-26xはテキストプロンプト下でLVIS minival上で40.6 APを達成する。コードとモデルは https://github.com/ultralytics/ultralytics で入手可能である。

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.