Ultralytics YOLO26: Унифицированные сквозные модели компьютерного зрения реального времени

Аннотация

Реальное время предъявляет к моделям требования точности, эффективности и простоты развёртывания на различном оборудовании. Семейство YOLO по этой причине получило широкое распространение, однако большинство детекторов YOLO по-прежнему используют подавление немаксимумов при инференсе, имеют тяжёлые головки детекции из-за Distribution Focal Loss, требуют длительного обучения и могут оставлять самые маленькие объекты без положительных меток. Мы представляем Ultralytics YOLO26 — унифицированное семейство моделей реального времени для зрения, которое решает эти ограничения за счёт скоординированных архитектурных и обучающих улучшений. YOLO26 использует двухголовочную конструкцию для нативного сквозного инференса без NMS и полностью исключает DFL, что даёт более лёгкую головку с неограниченным диапазоном регрессии. Его конвейер обучения объединяет MuSGD — гибридный оптимизатор Muon-SGD, адаптированный из обучения больших языковых моделей; Progressive Loss, который смещает контроль в сторону головки времени инференса; и STAL — стратегию присвоения меток, гарантирующую положительное покрытие для малых объектов. Помимо детекции, YOLO26 вводит специализированные конструкции головок и функций потерь для сегментации экземпляров, оценки поз и ориентированной детекции, обеспечивая последовательное улучшение по задачам и масштабам. Семейство включает пять масштабов (n/s/m/l/x) и поддерживает детекцию, сегментацию экземпляров, оценку поз, классификацию и ориентированную детекцию в едином конвейере, а также расширение с открытым словарём YOLOE-26 для инференса без текстовых, визуальных и подсказок. На всех масштабах YOLO26 достигает 40,9–57,5 mAP на COCO при задержке 1,7–11,8 мс на T4 TensorRT, продвигая границу Парето по точности и задержке относительно предыдущих детекторов реального времени, а YOLOE-26x достигает 40,6 AP на LVIS minival при текстовых подсказках. Код и модели доступны по адресу 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.