Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models
Ultralytics YOLO26 führt eine einheitliche Familie von Echtzeit-End-to-End-Vision-Modellen ein, die durch eine Dual-Head-Architektur und fortschrittliche Trainingsstrategien Non-Maximum Suppression und Distribution Focal Loss eliminiert und so eine State-of-the-Art-Genauigkeit-Latenz-Performance über mehrere Aufgaben hinweg erreicht, einschließlich Detektion, Segmentierung, Pose-Schätzung und Open-Vocabulary-Inferenz.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie hätten einen superschnellen Sicherheitswachmann, dessen Aufgabe es ist, Objekte in einem Videostream in Echtzeit aufzuspüren. Jahrelang waren die besten Wachmänner (genannt „YOLO“-Modelle“) großartig, aber sie hatten ein paar nervige Angewohnheiten: Sie brauchten einen langsamen „Doppelcheck“-Schritt, nachdem sie etwas entdeckt hatten, sie trugen schwere Rucksäcke mit Zusatzdaten, die sie verlangsamten, und sie übersahen oft winzige, ferne Objekte, weil ihre Trainingsregeln zu streng waren.
Das Paper stellt YOLO26 vor, eine neue Generation dieser visuellen Wachmänner, die darauf ausgelegt ist, schneller, leichter und schärfer als je zuvor zu sein. Hier ist, wie sie die alten Probleme gelöst haben, erklärt mit Alltagsanalogien:
1. Die „Kein-Doppelcheck“-Regel (NMS-freie Inferenz)
Das alte Problem: Früher, wenn ein Wachmann ein Auto entdeckte, sah er es vielleicht drei oder vier Mal an leicht unterschiedlichen Stellen. Er musste anhalten und einen „Non-Maximum Suppression“ (NMS)-Prozess durchführen – einen langsamen, manuellen Doppelcheck –, um nur eine beste Vermutung auszuwählen und die Duplikate wegzuwerfen. Das kostete Zeit.
Die YOLO26-Lösung: YOLO26 verwendet ein Dual-Head-Design. Stellen Sie sich das wie zwei spezialisierte Arbeiter vor:
- Arbeiter A (Der Sprinter): Dieser Arbeiter ist darauf trainiert, sofort genau eine perfekte Vermutung für jedes Objekt zu treffen. Kein Doppelcheck nötig. Es ist wie ein Scharfschütze, der das Ziel beim ersten Versuch trifft.
- Arbeiter B (Der Maximierer): Dieser Arbeiter betrachtet weiterhin alles und kann genutzt werden, wenn Sie die absolut höchste Genauigkeit benötigen und nicht bereit sind, die zusätzliche „Doppelcheck“-Zeit in Kauf zu nehmen.
Das Ergebnis: Sie erhalten ein System, das „End-to-End“ arbeitet, was bedeutet, dass es direkt vom Sehen des Bildes zur Antwort gelangt, ohne für eine zweite Meinung anzuhalten.
2. Den schweren Rucksack abwerfen (Entfernung von DFL)
Das alte Problem: Neuere Modelle trugen einen schweren „Distribution Focal Loss“ (DFL)-Rucksack. Dieser Rucksack versuchte, die Größe eines Objekts vorherzusagen, indem er aus einer Liste von 16 verschiedenen Möglichkeiten für jede einzelne Kante rät. Dies machte das Modell schwer (mehr Speicherbedarf) und langsam, besonders bei kleinen Modellen. Es gab auch eine „Maximalgröße“-Grenze; wenn ein Objekt zu groß für die Liste war, wurde das Modell verwirrt.
Die YOLO26-Lösung: Sie haben den Rucksack weggeworfen. Anstatt aus einer Liste zu raten, misst das Modell die Größe nun direkt, so wie man ein Lineal benutzt, anstatt von einer Speisekarte zu raten.
Das Ergebnis: Das Modell ist leichter, schneller und kann nun auch sehr große Objekte präzise messen, ohne an eine „Obergrenze“ zu stoßen.
3. Das Sicherheitsnetz für winzige Objekte (STAL)
Das alte Problem: Die alten Trainingsregeln waren wie ein Spiel von „Verstecken“, bei dem die Regeln besagten: „Du darfst dich nur innerhalb eines Kastens verstecken, der in ein bestimmtes Gitter passt.“ Wenn ein winziges Objekt (wie ein ferner Vogel) kleiner als die Gittersquadrate war, konnte der Wachmann es einfach nicht sehen. Es erhielt keine Aufmerksamkeit und wurde während des Trainings ignoriert.
Die YOLO26-Lösung: Sie haben STAL (Small-Target-Aware Label Assignment) eingeführt. Stellen Sie sich vor, der Wachmann bekommt eine spezielle Lupe für winzige Dinge. Selbst wenn ein winziges Objekt nicht in das Standardgitter passt, zwingt das System den Wachmann dazu, ihm Aufmerksamkeit zu schenken, indem es das Gitter temporär gerade so weit „streckt“, dass es das Objekt abdeckt.
Das Ergebnis: Das Modell ignoriert die kleinsten, am schwersten zu sehenden Objekte nicht mehr.
4. Der „Schlaue Coach“ (MuSGD & Progressive Loss)
Das alte Problem: Das Training dieser Modelle war früher wie ein Marathon, bei dem der Coach über die gesamten 600 Meilen hinweg die gleichen Anweisungen brüllte. Es dauerte lange, um gut zu werden. Zudem behandelte der Coach den „Sprinter“-Arbeiter und den „Maximierer“-Arbeiter exakt gleich, obwohl sie unterschiedliche Aufgaben hatten.
Die YOLO26-Lösung:
- MuSGD (Der schlaue Coach): Sie haben die alte Trainingsmethode gegen einen neuen Optimierer (MuSGD) ausgetauscht, der schneller lernt – wie ein Coach, der genau weiß, wie er den Läufer tempozeichnen muss, um in weniger Meilen (weniger Trainings-Epochen) ins Ziel zu kommen.
- Progressive Loss (Das Curriculum): Sie haben den Trainingsplan geändert. Zu Beginn konzentrieren sie sich auf den „Maximierer“-Arbeiter, um ein starkes Fundament aufzubauen. Im weiteren Verlauf des Trainings verlagern sie den Fokus schrittweise auf den „Sprinter“-Arbeiter, um sicherzustellen, dass das Endprodukt perfekt auf die schnelle Inferenz ohne Doppelcheck abgestimmt ist.
5. Spezialisierte Fähigkeiten für verschiedene Jobs
Nur weil ein Wachmann schnell darin ist, Autos aufzuspüren, heißt das nicht, dass er in allem gut ist. YOLO26 fügt spezialisierte Werkzeuge für andere Aufgaben hinzu:
- Formen ausschneiden (Segmentierung): Sie haben ein Multi-Skalen-System hinzugefügt, das dem Wachmann hilft, den Hintergrund besser zu verstehen, was es einfacher macht, die genaue Kontur eines Objekts nachzuzeichnen.
- Menschen verfolgen (Pose Estimation): Sie haben eine Methode hinzugefügt, um zu schätzen, wie „unsicher“ sich der Wachmann über ein Gelenk (wie einen Ellbogen) ist. Wenn der Ellbogen verborgen ist, gibt das Modell zu, unsicher zu sein, anstatt wild zu raten.
- Rotierte Objekte (OBB): Für Dinge wie Schiffe oder Flugzeuge, die nicht immer senkrecht stehen, haben sie die Mathematik korrigiert, damit das Modell nicht verwirrt wird, wenn ein Objekt geneigt ist.
6. Das „Open Vocabulary“-Upgrade (YOLOE-26)
Schließlich haben sie YOLOE-26 eingeführt, was so ist, als würde man dem Wachmann einen universellen Übersetzer geben.
- Text-Prompting: Sie können dem Wachmann sagen: „Finde mir einen roten Hydranten“, und er wird ihn finden, selbst wenn er nie explizit auf Hydranten trainiert wurde.
- Visuelles Prompting: Sie können dem Wachmann ein Bild eines spezifischen Spielzeugs zeigen, und er wird dieses Spielzeug im Video finden.
- Kein Prompt: Er kann auch einfach umherblicken und beschreiben, was er sieht.
Das Fazit
YOLO26 ist eine einheitliche Familie von Modellen, die schneller, leichter und genauer sind als ihre Vorgänger. Dies erreichen sie, indem sie unnötigen Ballast abwerfen, die Regeln für das Aufspüren winziger Dinge korrigieren und einen klügeren Trainings-Coach einsetzen. Egal, ob Sie die absolute Geschwindigkeit (den NMS-freien Pfad) oder die höchstmögliche Genauigkeit (den NMS-Pfad) benötigen – YOLO26 bietet eine Version, die ganz oben auf der „Geschwindigkeit vs. Genauigkeit“-Skala steht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.