Ultralytics YOLO26: Modelos de Visão Unificados em Tempo Real End-to-End

Resumo

A visão em tempo real exige modelos que sejam precisos, eficientes e simples de implantar em diversos hardwares. A família YOLO tornou-se amplamente implantada por esse motivo, mas a maioria dos detectores YOLO ainda depende de supressão não-máxima na inferência, possui cabeças de detecção pesadas devido à Perda Focal de Distribuição, requer longos cronogramas de treinamento e pode deixar os menores objetos sem atribuições de rótulos positivos. Apresentamos o Ultralytics YOLO26, uma família unificada de modelos de visão em tempo real que aborda essas limitações por meio de avanços coordenados na arquitetura e no treinamento. O YOLO26 usa um design de cabeça dupla para inferência nativa de ponta a ponta sem NMS e remove completamente a DFL, resultando em uma cabeça mais leve com intervalo de regressão sem restrições. Seu pipeline de treinamento combina MuSGD, um otimizador híbrido Muon-SGD adaptado do treinamento de modelos de linguagem de grande escala; Perda Progressiva, que desloca a supervisão em direção à cabeça de inferência; e STAL, uma estratégia de atribuição de rótulos que garante cobertura positiva para objetos pequenos. Além da detecção, o YOLO26 introduz designs de cabeça e perda específicos para tarefas de segmentação de instâncias, estimativa de pose e detecção orientada, produzindo ganhos consistentes em tarefas e escalas. A família abrange cinco escalas (n/s/m/l/x) e suporta detecção, segmentação de instâncias, estimativa de pose, classificação e detecção orientada em um único pipeline, com uma extensão de vocabulário aberto, YOLOE-26, para inferência sem texto, visual ou prompt. Em todas as escalas, o YOLO26 atinge 40,9–57,5 mAP no COCO com latência de 1,7–11,8 ms T4 TensorRT, avançando a fronteira de Pareto entre precisão e latência em relação aos detectores em tempo real anteriores, enquanto o YOLOE-26x alcança 40,6 AP no LVIS minival sob prompt de texto. O código e os modelos estão disponíveis em 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.