YOLO26 adalah rilis terbaru dari keluarga model computer vision real-time yang dikembangkan oleh Ultralytics — sebuah model terbuka yang mengenali objek di dalam gambar atau aliran video tepat saat objek itu muncul. Ada tiga hal yang penting bagi pemilik bisnis bahkan sebelum penting bagi pengembang: kini model ini langsung menghasilkan hasil akhirnya tanpa langkah pascapemrosesan yang dulu memperlambat dan mempersulit penerapan; model ini adalah satu model tunggal yang mencakup tujuh tugas visi, bukan tujuh sistem terpisah; dan pada ukuran terkecilnya, model ini berjalan hingga 43% lebih cepat di CPU biasa dibandingkan rilis sebelumnya. Dalam praktiknya, ini berarti kamera yang sudah terpasang di gudang, pabrik, atau ruang pamer Anda dapat menjadi sumber data operasional yang berjalan di perangkat kecil di lokasi — tanpa server mahal, dan tanpa video yang keluar dari tempat Anda.

Apa yang sebenarnya berubah dalam rilis ini?

Model-model sebelumnya menggambar puluhan kotak kandidat di sekitar setiap objek, lalu menjalankan langkah pembersihan yang disebut non-maximum suppression untuk memilih kotak terbaik dan membuang sisanya. Langkah itu berada di luar model, sehingga berarti pengaturan tambahan, pemrosesan tambahan, dan satu hal lagi yang bisa rusak saat diterapkan di berbagai perangkat keras. YOLO26 mengeluarkan hasil akhir langsung dari detection head, dengan batas tiga ratus objek per gambar, sehingga menghubungkannya ke sistem operasional menjadi lebih sederhana, lebih cepat, dan jauh lebih kecil kemungkinannya berperilaku berbeda di produksi dibandingkan saat pengujian.

Dokumentasi resmi juga menjelaskan detection head yang lebih ringan dengan menghilangkan loss DFL, resep pelatihan yang diperbarui berdasarkan optimizer hibrida bernama MuSGD yang diadopsi dari pelatihan model bahasa besar, serta perubahan yang secara eksplisit menyasar objek kecil. Objek kecil justru yang paling penting dalam operasional nyata: label pada karton di ujung lorong, atau cacat seukuran kuku pada produk yang bergerak di lini produksi.

Tujuh tugas visi dalam satu model

Bagian yang menarik secara komersial bukanlah akurasi mentah — melainkan bahwa keluarga yang sama mencakup tujuh tugas dengan bobot siap pakai dan satu pipeline. Hal ini mengurangi jumlah sistem yang Anda beli, pelihara, dan latihkan kepada tim Anda:

  • Deteksi: di mana sebuah objek berada dan apa objek itu. Dasar dari penghitungan, pelacakan, dan peringatan.
  • Segmentasi instans: masker presisi untuk setiap objek alih-alih kotak, berguna untuk mengukur luas area dan cacat.
  • Segmentasi semantik: mengklasifikasikan setiap piksel, misalnya memisahkan lorong dari area penyimpanan.
  • Estimasi kedalaman: memperkirakan jarak dari satu kamera tanpa sensor laser tambahan.
  • Klasifikasi: apakah kasus ini sesuai ketentuan atau tidak.
  • Estimasi pose: melacak titik-titik kunci tubuh, digunakan dalam keselamatan kerja dan analisis gerakan.
  • Deteksi berorientasi: kotak miring untuk objek yang tidak sejajar dengan sumbu, seperti palet dan citra udara.

Dokumentasi resmi melaporkan peningkatan dibandingkan rilis sebelumnya hingga 3,7 poin pada kualitas masker untuk segmentasi, hingga 7,2 poin pada estimasi pose, dan 3,4 poin pada deteksi berorientasi di benchmark DOTA. Angka-angka itu penting, tetapi yang lebih penting adalah bahwa semuanya berasal dari satu model, bukan tiga proyek terpisah.

Angka yang menentukan perangkat keras yang Anda beli

Keluarga ini hadir dalam lima ukuran, masing-masing dengan pertukaran yang jelas antara akurasi, kecepatan, dan biaya. Angka yang dipublikasikan pada benchmark COCO berkisar antara 40,9 hingga 57,5 untuk akurasi dan antara 1,7 hingga 11,8 milidetik pada kartu T4:

  • Ukuran terkecil: hanya 2,4 juta parameter, berjalan di CPU biasa tanpa kartu grafis. Pilihan yang masuk akal untuk satu kamera di sebuah cabang atau gudang kecil.
  • Ukuran menengah: keseimbangan yang baik untuk beberapa kamera pada satu perangkat di lokasi.
  • Ukuran terbesar: 55,7 juta parameter, untuk kasus ketika akurasi lebih penting daripada biaya, seperti inspeksi kualitas yang sangat detail.

Aturan praktisnya: mulailah dengan ukuran terkecil yang dapat menyelesaikan masalah Anda. Sebagian besar proyek computer vision yang gagal secara komersial tidak gagal karena modelnya terlalu lemah — mereka gagal karena seseorang memilih model terbesar lalu mendapati bahwa menjalankannya di dua puluh kamera biayanya lebih besar daripada penghematan yang dihasilkannya.

Di mana hal ini benar-benar membantu Anda

  • Gudang: menghitung palet dan karton saat penerimaan dan pengiriman, serta menemukan selisih antara apa yang secara fisik berpindah dan apa yang dicatat sistem.
  • Pabrik: inspeksi visual di lini produksi yang menghentikan satu batch ketika muncul pola cacat yang berulang, alih-alih baru ketahuan di tangan pelanggan.
  • Ritel dan ruang pamer: mengukur pergerakan di dalam cabang, zona tempat pengunjung berlama-lama, dan rak yang kosong tanpa ada yang menyadarinya.
  • Keselamatan: memverifikasi alat pelindung diri di zona berbahaya dan memberi peringatan seketika saat seseorang memasuki area terlarang.
  • Area parkir dan armada: mencatat keluar masuknya truk dan mengaitkannya dengan perintah muat secara otomatis.
  • Kontraktor: mendokumentasikan kemajuan proyek secara visual dan mengaitkannya dengan pengajuan pembayaran alih-alih mengandalkan laporan manual.

Kesamaan dari semua ini adalah tidak satu pun membutuhkan kecerdasan buatan umum atau model bahasa besar. Yang dibutuhkan adalah satu pertanyaan spesifik — berapa karton yang keluar dari pintu ini hari ini — dan sebuah sistem yang menjawabnya tanpa campur tangan manusia.

Deteksi berdasarkan deskripsi, bukan daftar tetap

Rilis ini juga menjadi dasar varian kosakata terbuka bernama YOLOE-26 yang dapat mengenali kategori yang tidak pernah dilatihkan kepadanya, dengan panduan berupa deskripsi teks atau contoh visual. Ini menyelesaikan masalah lama: setiap kategori baru dulu berarti satu putaran pelatihan lagi. Di lingkungan yang produknya terus berubah, seperti ritel, fitur ini berarti masa pakai yang lebih panjang sebelum sistem perlu dibangun ulang.

Lisensi sebelum kode

Poin ini bisa mematikan seluruh proyek setelah proyek itu selesai. Bobot dan kode YOLO26 tersedia di bawah AGPL-3.0 atau dengan lisensi komersial dari Ultralytics. AGPL membebankan kewajiban kepada siapa pun yang membangun produk yang disediakan kepada pihak lain melalui jaringan, dan dapat mewajibkan Anda membagikan kode sumber. Jika penggunaannya murni internal untuk operasional Anda sendiri, situasinya lebih sederhana; jika Anda membangun produk yang dijual kepada klien, selesaikan urusan lisensi dengan penasihat hukum sebelum baris kode pertama, bukan setelah serah terima.

Kamera dan Undang-Undang Pelindungan Data Pribadi

Setiap kamera yang merekam orang menghasilkan data pribadi, dan atasnya berlaku Undang-Undang Pelindungan Data Pribadi (PDPL) Arab Saudi beserta peraturan pelaksanaannya dari Otoritas Data dan Kecerdasan Buatan Saudi (SDAIA). Dalam praktiknya, hal itu berarti keterbukaan dan pemberitahuan di lokasi perekaman, tujuan pemrosesan yang jelas dan terbatas, serta meminimalkan apa yang disimpan. Kabar baiknya, efisiensi YOLO26 di CPU biasa membuat pemrosesan di lokasi benar-benar praktis: video tidak pernah keluar dari tempat Anda, dan yang disimpan adalah angka hasilnya, bukan gambarnya. Desain seperti ini menurunkan eksposur regulasi dan biaya Anda sekaligus.

Cara memulai dalam enam minggu

Jangan memulai dengan proyek computer vision yang mencakup seluruh fasilitas. Pilih satu kamera dan satu pertanyaan yang dapat diukur, kumpulkan data dari lokasi Anda sendiri alih-alih dari internet, latih dengan ukuran kecil, lalu bandingkan hasilnya dengan penghitungan manual selama dua minggu. Jika uji coba membuktikan bahwa sistem menghemat waktu berjam-jam atau mencegah kerugian dengan nilai yang jelas, perluas satu kamera demi satu kamera. Jika tidak, Anda hanya menghabiskan enam minggu, bukan anggaran satu tahun penuh.

Sumber