YOLO26 — новейшая версия семейства моделей компьютерного зрения в реальном времени от Ultralytics: открытая модель, которая распознаёт объекты на изображении или в видеопотоке в тот момент, когда они появляются. Три вещи в ней важны для владельца бизнеса ещё до того, как они станут важны для разработчика: теперь она выдаёт итоговый результат напрямую, без этапа постобработки, который раньше замедлял и усложнял внедрение; это одна модель, охватывающая семь задач зрения вместо семи отдельных систем; и в самом маленьком размере она работает на обычном CPU до 43% быстрее предыдущей версии. На практике это означает, что камера, уже установленная на вашем складе, заводе или в шоуруме, может стать источником операционных данных и работать на небольшом устройстве на месте — без дорогих серверов и без того, чтобы видео покидало ваши помещения.

Что на самом деле изменилось в этой версии?

Прежние модели рисовали десятки рамок-кандидатов вокруг каждого объекта, а затем запускали этап очистки под названием подавление немаксимумов, чтобы выбрать лучшую рамку и отбросить остальные. Этот этап находился вне модели, а значит, требовал дополнительных настроек, дополнительной обработки и добавлял ещё одно звено, способное сломаться при развёртывании на разном оборудовании. YOLO26 выдаёт итоговый результат прямо из детекционной головы с ограничением в триста объектов на изображение, поэтому подключить её к операционной системе предприятия проще и быстрее, а риск того, что в продакшене она поведёт себя иначе, чем при тестировании, гораздо ниже.

Официальная документация также описывает облегчённую детекционную голову без функции потерь DFL, обновлённую методику обучения на основе гибридного оптимизатора MuSGD, заимствованного из обучения больших языковых моделей, и изменения, явно нацеленные на мелкие объекты. Мелкие объекты — это именно то, что важно в реальных операциях: этикетка на коробке в конце прохода или дефект размером с ноготь на изделии, движущемся по линии.

Семь задач зрения в одной модели

С коммерческой точки зрения интересна не голая точность, а то, что одно и то же семейство охватывает семь задач с готовыми весами и единым конвейером. Это сокращает число систем, которые вы покупаете, обслуживаете и осваиваете вместе с командой:

  • Детекция: где находится объект и что это такое. Основа подсчёта, отслеживания и оповещений.
  • Сегментация экземпляров: точная маска для каждого объекта вместо рамки, полезна для измерения площадей и дефектов.
  • Семантическая сегментация: классификация каждого пикселя, например чтобы отделить проход от зоны хранения.
  • Оценка глубины: определение расстояния по одной камере без дополнительного лазерного датчика.
  • Классификация: соответствует этот случай требованиям или нет.
  • Оценка позы: отслеживание ключевых точек тела, применяется в охране труда и анализе движений.
  • Ориентированная детекция: повёрнутые рамки для объектов, не выровненных по осям, например поддонов и аэрофотоснимков.

Официальная документация сообщает о приросте по сравнению с предыдущей версией до 3,7 пункта по качеству масок при сегментации, до 7,2 пункта при оценке позы и на 3,4 пункта в ориентированной детекции на бенчмарке DOTA. Цифры важны, но ещё важнее то, что они получены одной моделью, а не тремя отдельными проектами.

Цифры, которые определяют, какое оборудование покупать

Семейство выпускается в пяти размерах, и у каждого есть понятный компромисс между точностью, скоростью и стоимостью. Опубликованные результаты на бенчмарке COCO составляют от 40,9 до 57,5 по точности и от 1,7 до 11,8 миллисекунды на карте T4:

  • Самый маленький размер: всего 2,4 млн параметров, работает на обычном CPU без видеокарты. Разумный выбор для одной камеры в филиале или на небольшом складе.
  • Средние размеры: хороший баланс для нескольких камер на одном устройстве на месте.
  • Самый большой размер: 55,7 млн параметров, для случаев, когда точность важнее стоимости, например для детального контроля качества.

Практическое правило: начинайте с самого маленького размера, который решает вашу задачу. Большинство проектов компьютерного зрения, проваливающихся коммерчески, проваливаются не потому, что модель была слишком слабой, а потому, что кто-то выбрал самую большую модель и потом обнаружил, что её работа на двадцати камерах стоит дороже, чем приносимая ею экономия.

Где это действительно помогает

  • Склады: подсчёт поддонов и коробок при приёмке и отгрузке и выявление расхождений между тем, что физически переместилось, и тем, что зафиксировала система.
  • Заводы: визуальный контроль на линии, который останавливает партию при появлении повторяющегося дефекта, вместо того чтобы обнаружить его уже у клиента.
  • Розница и шоурумы: измерение перемещений внутри филиала, зон задержки посетителей и полок, которые опустели, а никто этого не заметил.
  • Охрана труда: проверка средств защиты в опасных зонах и мгновенное оповещение, когда кто-то заходит в запретную зону.
  • Площадки и автопарки: регистрация въезда и выезда грузовиков и автоматическая привязка к заказу на погрузку.
  • Строительство: визуальная фиксация хода работ на объекте и привязка к заявке на оплату вместо ручного отчёта.

Общее у всех этих случаев то, что ни одному из них не нужен общий искусственный интеллект или большая языковая модель. Им нужен один конкретный вопрос — сколько коробок вышло через эти ворота сегодня — и система, которая отвечает на него без участия человека.

Детекция по описанию вместо фиксированного списка

На этой версии также построен вариант с открытым словарём под названием YOLOE-26, который распознаёт категории, на которых никогда не обучался, ориентируясь на текстовое описание или визуальный пример. Это решает давнюю проблему: раньше каждая новая категория означала ещё один цикл обучения. В среде, где товары постоянно меняются, например в рознице, эта функция означает более долгий срок службы до того, как систему придётся перестраивать.

Сначала лицензия, потом код

Этот пункт губит целые проекты уже после их завершения. Веса и код YOLO26 доступны по лицензии AGPL-3.0 или по коммерческой лицензии Ultralytics. AGPL налагает обязательства на каждого, кто создаёт продукт, предоставляемый другим через сеть, и может потребовать раскрыть ваш исходный код. Если использование чисто внутреннее, в рамках ваших собственных операций, ситуация проще; если вы создаёте продукт для продажи клиентам, урегулируйте лицензию с юристом до первой строки кода, а не после сдачи проекта.

Камеры и Закон о защите персональных данных

Любая камера, снимающая людей, производит персональные данные, и к ним применяются Закон Саудовской Аравии о защите персональных данных (PDPL) и его исполнительный регламент Саудовского управления по данным и искусственному интеллекту (SDAIA). На практике это означает раскрытие информации и уведомления в местах съёмки, ясную и ограниченную цель обработки и сведение к минимуму того, что хранится. Хорошая новость в том, что эффективность YOLO26 на обычных CPU делает обработку на месте по-настоящему практичной: видео никогда не покидает помещения, а хранится итоговое число, а не изображение. Такая архитектура одновременно снижает ваши регуляторные риски и затраты.

Как начать за шесть недель

Не начинайте с проекта компьютерного зрения, охватывающего весь объект. Выберите одну камеру и один измеримый вопрос, соберите данные на своей площадке, а не в интернете, обучите малый размер и в течение двух недель сравнивайте результат с ручным подсчётом. Если пилот докажет, что система экономит часы или предотвращает потери с очевидной ценностью, расширяйте её по одной камере. Если нет, вы потратили шесть недель, а не бюджет целого года.

Источники

  • Официальная документация Ultralytics по YOLO26: docs.ultralytics.com
  • Научная статья — Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models: arxiv.org
  • Репозиторий исходного кода и лицензии: github.com/ultralytics/ultralytics
  • Закон о защите персональных данных, Саудовское управление по данным и искусственному интеллекту: sdaia.gov.sa