Ultralytics YOLO26: 統合されたリアルタイムエンドツーエンドビジョンモデル
Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models (arxiv.org)
要約
YOLO26は、リアルタイムビジョンモデルの精度、効率性、多様なハードウェアへの展開のしやすさといった課題に対応するために開発されました。従来のYOLOモデルが抱えていた非最大抑制(NMS)への依存、重い検出ヘッド、長い学習スケジュール、小オブジェクトの検出漏れといった制限を、アーキテクチャと学習プロセスの改良によって解決しています。本モデルは、NMSフリーのエンドツーエンド推論、軽量なデュアルヘッド設計、MuSGD最適化、Progressive Loss、STALといった新技術を導入し、さまざまなタスクで優れた性能を発揮します。
全文翻訳
コンピュータサイエンス > コンピュータビジョンとパターン認識
arXiv:2606.03748 (cs)
[2026年6月2日投稿]
タイトル: Ultralytics YOLO26: 統合されたリアルタイムEnd-to-Endビジョンモデル
著者: Glenn Jocher, Jing Qiu, Mengyu Liu, Shuai Lyu, Fatih Cagatay Akyon, Muhammet Esat Kalfaoglu
Glenn Jocherら5名の著者によるUltralytics YOLO26: 統合されたリアルタイムEnd-to-Endビジョンモデルというタイトルの論文のPDFをご覧ください。
要旨: リアルタイムビジョンは、多様なハードウェアにわたって正確で効率的、かつシンプルに展開できるモデルを要求します。YOLOファミリーはこの理由から広く展開されるようになりましたが、多くのYOLO検出器は推論時に非最大抑制(NMS)に依存し、分布焦点損失(DFL)のために重い検出ヘッドを持ち、長いトレーニングスケジュールを必要とし、最小のオブジェクトに正のラベル割り当てが行われない可能性があります。本論文では、協調的なアーキテクチャとトレーニングの進歩を通じてこれらの限界に対処する、統合されたリアルタイムビジョンモデルファミリーであるUltralytics YOLO26を発表します。YOLO26は、ネイティブなNMSフリーEnd-to-End推論のためのデュアルヘッド設計を使用し、DFLを完全に削除することで、制約のない回帰範囲を持つ軽量なヘッドを実現しています。そのトレーニングパイプラインは、大規模言語モデルのトレーニングから適応されたハイブリッドMuon-SGDオプティマイザであるMuSGD、推論時のヘッドへの監視をシフトするProgressive Loss、そして小さなオブジェクトに対する正のカバレッジを保証するラベル割り当て戦略であるSTALを組み合わせています。検出を超えて、YOLO26はインスタンスセグメンテーション、姿勢推定、および方向検出のためのタスク固有のヘッドと損失設計を導入し、タスクとスケール全体で一貫した改善をもたらします。このファミリーは5つのスケール(n/s/m/l/x)にわたり、単一のパイプラインで検出、インスタンスセグメンテーション、姿勢推定、分類、および方向検出をサポートし、テキスト、ビジュアル、プロンプトフリー推論のためのオープンボキャブラリー拡張であるYOLOE-26を備えています。全スケールにおいて、YOLO26はCOCOで40.9-57.5 mAPを1.7-11.8 msのT4 TensorRTレイテンシで達成し、先行するリアルタイム検出器を上回る精度-レイテンシのパレートフロントを前進させています。一方、YOLOE-26xは、テキストプロンプト下でLVIS minivalで40.6 APを達成しています。コードとモデルはこのURLで入手可能です。
| コメント: | 31ページ、8図 |
| 件名: | コンピュータビジョンとパターン認識 (cs.CV); 人工知能 (cs.AI) |
| 引用元: | arXiv:2606.03748 [cs.CV] |
| (またはこのバージョンについては arXiv:2606.03748v1 [cs.CV]) | |
| https://doi.org/10.48550/arXiv.2606.03748 arXiv発行のDOI (DataCite経由) |
投稿履歴
投稿者: Glenn Jocher
[v1] 2026年6月2日 火曜日 15:01:13 UTC (8,589 KB)
全文リンク:
論文アクセス
Glenn Jocherら5名の著者によるUltralytics YOLO26: 統合されたリアルタイムEnd-to-Endビジョンモデルというタイトルの論文のPDFをご覧ください。
追加機能
現在の閲覧コンテキスト:
cs.CV
以下で閲覧を変更:
参考文献と引用
読み込み中...
BibTeX形式の引用
読み込み中...
提供元:
ブックマーク
参考文献ツール
参考文献と引用ツール
参考文献エクスプローラー トグル
参考文献エクスプローラー (エクスプローラーとは?)
Connected Papers トグル
Connected Papers (Connected Papersとは?)
Litmaps トグル
Litmaps (Litmapsとは?)
scite.ai トグル
scite Smart Citations (Smart Citationsとは?)
コード、データ、メディア
この論文に関連するコード、データ、メディア
alphaXiv トグル
alphaXiv (alphaXivとは?)
コードへのリンク トグル
CatalyzeX Code Finder for Papers (CatalyzeXとは?)
DagsHub トグル
DagsHub (DagsHubとは?)
GotitPub トグル
Gotit.pub (GotitPubとは?)
Huggingface トグル
Hugging Face (Hugging Faceとは?)
ScienceCast トグル
ScienceCast (ScienceCastとは?)
デモ
デモ
Replicate トグル
Replicate (Replicateとは?)
Spaces トグル
Hugging Face Spaces (Spacesとは?)
Spaces トグル
TXYZ.AI (TXYZ.AIとは?)
関連論文
レコメンダーと検索ツール
Influence Flowerへのリンク
Influence Flower (Influence Flowersとは?)
COREレコメンダー トグル
CORE Recommender (COREとは?)
- 著者
- 会場
- 機関
- トピック
arXivLabsについて
arXivLabs: コミュニティ協力者との実験的プロジェクト
arXivLabsは、協力者がarXivのウェブサイト上で直接新しいarXivの機能を開発・共有できるフレームワークです。
arXivLabsで働く個人および組織は、オープンさ、コミュニティ、卓越性、ユーザーデータプライバシーという私たちの価値観を受け入れ、遵守しています。arXivはこの価値観にコミットしており、それに従うパートナーのみと協力します。
arXivコミュニティに価値をもたらすプロジェクトのアイデアがありますか? arXivLabsについてもっと知る。
この論文の著者のうち、推薦者は誰ですか? | MathJaxを無効にする (MathJaxとは?)