YOLO26, Ultralytics द्वारा बनाए गए रियल-टाइम कंप्यूटर विज़न मॉडलों के परिवार का सबसे नया रिलीज़ है — एक ओपन मॉडल जो किसी तस्वीर या वीडियो स्ट्रीम में वस्तुओं के दिखते ही उन्हें पहचान लेता है। इसकी तीन बातें किसी डेवलपर से पहले एक व्यवसाय मालिक के लिए मायने रखती हैं: अब यह अपना अंतिम परिणाम सीधे देता है, उस पोस्ट-प्रोसेसिंग चरण के बिना जो पहले डिप्लॉयमेंट को धीमा और जटिल बनाता था; यह सात अलग-अलग सिस्टमों की जगह सात विज़न कार्यों को कवर करने वाला एक ही मॉडल है; और सबसे छोटे आकार में यह किसी सामान्य CPU पर पिछले रिलीज़ की तुलना में 43% तक तेज़ चलता है। व्यवहार में इसका मतलब है कि आपके गोदाम, फ़ैक्टरी या शोरूम में पहले से लगा कैमरा साइट पर एक छोटे डिवाइस पर चलने वाला ऑपरेशनल डेटा का स्रोत बन सकता है — न महंगे सर्वर, न कोई वीडियो आपके परिसर से बाहर।

इस रिलीज़ में असल में क्या बदला है?

पहले के मॉडल हर वस्तु के चारों ओर दर्जनों संभावित बॉक्स बनाते थे, फिर सबसे अच्छा बॉक्स चुनने और बाकी को हटाने के लिए नॉन-मैक्सिमम सप्रेशन नाम का एक सफ़ाई चरण चलाते थे। यह चरण मॉडल के बाहर होता था, जिसका मतलब था अतिरिक्त सेटिंग्स, अतिरिक्त प्रोसेसिंग, और अलग-अलग हार्डवेयर पर डिप्लॉय करते समय टूट सकने वाली एक और चीज़। YOLO26 सीधे डिटेक्शन हेड से अंतिम परिणाम देता है, जिसकी सीमा प्रति तस्वीर तीन सौ वस्तुएँ है, इसलिए इसे किसी ऑपरेशनल सिस्टम से जोड़ना आसान और तेज़ है, और प्रोडक्शन में इसके टेस्टिंग से अलग व्यवहार करने की संभावना काफ़ी कम है।

आधिकारिक दस्तावेज़ एक हल्के डिटेक्शन हेड का भी वर्णन करते हैं जिसमें DFL लॉस हटा दिया गया है, बड़े भाषा मॉडलों के प्रशिक्षण से लिए गए MuSGD नामक हाइब्रिड ऑप्टिमाइज़र पर आधारित एक अपडेटेड प्रशिक्षण विधि, और ऐसे बदलाव जो स्पष्ट रूप से छोटी वस्तुओं को लक्ष्य करते हैं। असली ऑपरेशंस में ठीक छोटी वस्तुएँ ही मायने रखती हैं: किसी गलियारे के आख़िर में रखे कार्टन पर लगा लेबल, या लाइन पर आगे बढ़ते किसी उत्पाद पर नाखून के आकार का दोष।

एक ही मॉडल में सात विज़न कार्य

व्यावसायिक रूप से दिलचस्प हिस्सा केवल सटीकता नहीं है — बल्कि यह है कि एक ही परिवार तैयार वेट्स और एक ही पाइपलाइन के साथ सात कार्यों को कवर करता है। इससे उन सिस्टमों की संख्या घटती है जिन्हें आप खरीदते हैं, बनाए रखते हैं और जिन पर अपनी टीम को प्रशिक्षित करते हैं:

  • डिटेक्शन: वस्तु कहाँ है और क्या है। गिनती, ट्रैकिंग और अलर्ट का आधार।
  • इंस्टेंस सेगमेंटेशन: बॉक्स की जगह हर वस्तु के लिए एक सटीक मास्क, क्षेत्रफल और दोष मापने में उपयोगी।
  • सिमेंटिक सेगमेंटेशन: हर पिक्सेल का वर्गीकरण, जैसे गलियारे को भंडारण क्षेत्र से अलग करना।
  • डेप्थ एस्टिमेशन: किसी अतिरिक्त लेज़र सेंसर के बिना एक ही कैमरे से दूरी का अनुमान लगाना।
  • क्लासिफ़िकेशन: यह मामला मानकों के अनुरूप है या नहीं।
  • पोज़ एस्टिमेशन: शरीर के मुख्य बिंदुओं को ट्रैक करना, सुरक्षा और गति विश्लेषण में उपयोग होता है।
  • ओरिएंटेड डिटेक्शन: उन वस्तुओं के लिए तिरछे बॉक्स जो अक्षों के साथ संरेखित नहीं हैं, जैसे पैलेट और हवाई तस्वीरें।

आधिकारिक दस्तावेज़ पिछले रिलीज़ की तुलना में सेगमेंटेशन के मास्क की गुणवत्ता में 3.7 अंक तक, पोज़ एस्टिमेशन में 7.2 अंक तक, और DOTA बेंचमार्क पर ओरिएंटेड डिटेक्शन में 3.4 अंक के सुधार की जानकारी देते हैं। आँकड़े मायने रखते हैं, लेकिन इससे ज़्यादा मायने यह रखता है कि ये तीन अलग-अलग प्रोजेक्टों से नहीं, बल्कि एक ही मॉडल से आते हैं।

वे आँकड़े जो तय करते हैं कि आप कौन-सा हार्डवेयर खरीदें

यह परिवार पाँच आकारों में आता है, और हर एक में सटीकता, गति और लागत के बीच एक स्पष्ट संतुलन है। COCO बेंचमार्क पर प्रकाशित आँकड़े सटीकता में 40.9 से 57.5 तक और T4 कार्ड पर 1.7 से 11.8 मिलीसेकंड तक हैं:

  • सबसे छोटा आकार: सिर्फ़ 2.4 मिलियन पैरामीटर, बिना ग्राफ़िक्स कार्ड के सामान्य CPU पर चलता है। किसी शाखा या छोटे गोदाम में एक कैमरे के लिए समझदारी भरा विकल्प।
  • मध्यम आकार: साइट पर एक ही डिवाइस पर कई कैमरों के लिए अच्छा संतुलन।
  • सबसे बड़ा आकार: 55.7 मिलियन पैरामीटर, उन मामलों के लिए जहाँ सटीकता लागत से ज़्यादा अहम है, जैसे बारीक गुणवत्ता जाँच।

व्यावहारिक नियम: उस सबसे छोटे आकार से शुरू करें जो आपकी समस्या हल कर दे। व्यावसायिक रूप से विफल होने वाले अधिकांश कंप्यूटर विज़न प्रोजेक्ट इसलिए विफल नहीं होते कि मॉडल बहुत कमज़ोर था — वे इसलिए विफल होते हैं कि किसी ने सबसे बड़ा मॉडल चुन लिया और फिर पाया कि उसे बीस कैमरों पर चलाने की लागत उससे होने वाली बचत से ज़्यादा है।

यह असल में आपकी कहाँ मदद करता है

  • गोदाम: माल की प्राप्ति और डिस्पैच पर पैलेट और कार्टन गिनना, और जो भौतिक रूप से गया और जो सिस्टम में दर्ज हुआ, उनके बीच के अंतर पकड़ना।
  • फ़ैक्टरियाँ: लाइन पर दृश्य निरीक्षण जो दोहराए जाने वाले दोष का पैटर्न दिखते ही बैच रोक दे, बजाय इसके कि दोष ग्राहक के पास जाकर पता चले।
  • रिटेल और शोरूम: शाखा के भीतर आवाजाही, रुकने वाले क्षेत्रों, और बिना किसी के ध्यान दिए खाली हो चुकी शेल्फ़ों को मापना।
  • सुरक्षा: ख़तरनाक क्षेत्रों में सुरक्षा उपकरणों की पुष्टि करना और किसी के प्रतिबंधित क्षेत्र में घुसते ही तुरंत अलर्ट देना।
  • यार्ड और फ़्लीट: ट्रकों के आने-जाने को दर्ज करना और उसे स्वचालित रूप से लोडिंग ऑर्डर से जोड़ना।
  • कॉन्ट्रैक्टिंग: साइट की प्रगति को दृश्य रूप से दर्ज करना और मैनुअल रिपोर्ट पर निर्भर रहने के बजाय उसे भुगतान आवेदन से जोड़ना।

इन सभी में साझा बात यह है कि इनमें से किसी को भी सामान्य कृत्रिम बुद्धिमत्ता या बड़े भाषा मॉडल की ज़रूरत नहीं है। इन्हें एक विशिष्ट सवाल चाहिए — आज इस दरवाज़े से कितने कार्टन निकले — और एक ऐसा सिस्टम जो बिना मानवीय हस्तक्षेप के उसका जवाब दे।

तय सूची की जगह विवरण से डिटेक्शन

यह रिलीज़ YOLOE-26 नाम के एक ओपन-वोकैबुलरी वेरिएंट को भी शक्ति देता है, जो किसी टेक्स्ट विवरण या दृश्य उदाहरण के आधार पर उन श्रेणियों को भी पहचान लेता है जिन पर इसे कभी प्रशिक्षित नहीं किया गया। यह एक पुरानी समस्या हल करता है: पहले हर नई श्रेणी का मतलब होता था प्रशिक्षण का एक और दौर। रिटेल जैसे माहौल में, जहाँ उत्पाद लगातार बदलते रहते हैं, इस सुविधा का मतलब है कि सिस्टम को दोबारा बनाने की ज़रूरत पड़ने से पहले उसकी उपयोगी उम्र लंबी होगी।

कोड से पहले लाइसेंस

यह बिंदु पूरे-के-पूरे प्रोजेक्टों को उनके पूरा होने के बाद ख़त्म कर देता है। YOLO26 के वेट्स और कोड AGPL-3.0 के तहत या Ultralytics के व्यावसायिक लाइसेंस के साथ उपलब्ध हैं। AGPL उन सभी पर दायित्व डालता है जो नेटवर्क के ज़रिए दूसरों को दिया जाने वाला उत्पाद बनाते हैं, और यह आपका सोर्स कोड साझा करने की माँग कर सकता है। अगर उपयोग पूरी तरह आपके अपने ऑपरेशंस के भीतर आंतरिक है, तो स्थिति सरल है; अगर आप ग्राहकों को बेचने के लिए उत्पाद बना रहे हैं, तो डिलीवरी के बाद नहीं, बल्कि कोड की पहली पंक्ति से पहले ही कानूनी सलाहकार के साथ लाइसेंस तय कर लें।

कैमरे और व्यक्तिगत डेटा संरक्षण कानून

लोगों को फ़िल्माने वाला हर कैमरा व्यक्तिगत डेटा पैदा करता है, और उस पर सऊदी अरब का व्यक्तिगत डेटा संरक्षण कानून (PDPL) और सऊदी डेटा एवं कृत्रिम बुद्धिमत्ता प्राधिकरण (SDAIA) का कार्यान्वयन विनियम लागू होता है। व्यवहार में इसका मतलब है फ़िल्मांकन वाली जगहों पर खुलासा और सूचनाएँ, प्रोसेसिंग का स्पष्ट और सीमित उद्देश्य, और जो संग्रहीत किया जाए उसे न्यूनतम रखना। अच्छी ख़बर यह है कि सामान्य CPU पर YOLO26 की दक्षता साइट पर प्रोसेसिंग को सच में व्यावहारिक बना देती है: वीडियो कभी परिसर से बाहर नहीं जाता, और जो संग्रहीत होता है वह तस्वीर नहीं, बल्कि परिणामी संख्या होती है। यह डिज़ाइन आपके नियामकीय जोखिम और आपकी लागत, दोनों को एक साथ कम करता है।

छह हफ़्तों के भीतर शुरुआत कैसे करें

पूरी सुविधा को कवर करने वाले कंप्यूटर विज़न प्रोजेक्ट से शुरुआत न करें। एक कैमरा और एक मापने योग्य सवाल चुनें, इंटरनेट की जगह अपनी ही साइट से डेटा इकट्ठा करें, छोटे आकार पर प्रशिक्षण दें, और दो हफ़्तों तक परिणाम की तुलना मैनुअल गिनती से करें। अगर पायलट साबित कर दे कि सिस्टम घंटों की बचत करता है या स्पष्ट मूल्य वाले नुकसान रोकता है, तो उसे एक-एक कैमरा करके बढ़ाएँ। अगर नहीं, तो आपने पूरे साल का बजट नहीं, बल्कि छह हफ़्ते खर्च किए हैं।

स्रोत

  • YOLO26 के लिए Ultralytics का आधिकारिक दस्तावेज़: docs.ultralytics.com
  • शोध पत्र — Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models: arxiv.org
  • सोर्स कोड रिपॉज़िटरी और लाइसेंस: github.com/ultralytics/ultralytics
  • व्यक्तिगत डेटा संरक्षण कानून, सऊदी डेटा एवं कृत्रिम बुद्धिमत्ता प्राधिकरण: sdaia.gov.sa