> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/models/hi/supported-models/yolo26.md).

# YOLO26

## YOLO26 ऑब्जेक्ट डिटेक्शन

YOLO26 ऑब्जेक्ट डिटेक्शन के माध्यम से चलता है [Serverless Cloud API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), जो COCO पर प्रीट्रेंड है। सेल्फ-होस्टेड डिप्लॉयमेंट के लिए, देखें [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26 ऑब्जेक्ट डिटेक्शन API

यह सैंपल एक परीक्षण छवि डाउनलोड करता है, और inference के माध्यम से चलता है `inference-sdk`, और इसके साथ response को डिकोड करता है `supervision`, और डिस्क पर एक एनोटेटेड PNG लिखता है।

{% stepper %}
{% step %}
**अपनी API कुंजी प्राप्त करें**

Roboflow खाता बनाएं, अपनी कुंजी यहाँ खोजें [Roboflow API सेटिंग्स पेज](https://app.roboflow.com/settings/api) और इसे अपने शेल में उपलब्ध कराएँ:

```bash
export ROBOFLOW_API_KEY="your-key-here"
```

{% endstep %}

{% step %}
**निर्भरताएँ इंस्टॉल करें**

SDK और [supervision](https://supervision.roboflow.com/) एनोटेशन के लिए लाइब्रेरी इंस्टॉल करें:

```bash
pip install -U inference-sdk supervision opencv-python
```

{% endstep %}

{% step %}
**मॉडल चलाएँ**

चलाएँ `yolo26n-640` एक नमूना छवि पर और बॉक्स तथा लेबल एनोटेट करें:

```python
import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient, InferenceConfiguration

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
).configure(InferenceConfiguration(api_key_transport="header"))
result = client.infer(image, model_id="yolo26n-640")
detections = sv.Detections.from_inference(result)

annotated = sv.BoxAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)
cv2.imwrite("traffic-annotated.png", annotated)
```

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-7106afec80c52f50d4100974682e469b4b7335f3%2Fyolo26-detection.webp?alt=media" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

{% hint style="info" %}
सेट करें `api_url` को अपने परिनियोजन लक्ष्य से मिलाएँ:

* `https://serverless.roboflow.com` Serverless Cloud API के लिए।
* `http://localhost:9001` एक स्थानीय [Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) सर्वर।
* आपका [समर्पित परिनियोजन](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) निजी एंडपॉइंट के लिए URL।
  {% endhint %}

### YOLO26 ऑब्जेक्ट डिटेक्शन मॉडल और बेंचमार्क

उपनाम को निम्न के रूप में पास करें `model_id`। `inference-sdk` प्रत्येक alias को क्लाइंट-साइड पर उसके प्रीट्रेंड Roboflow Universe मॉडल से जोड़ता है; `yolov26*` प्रिफिक्स वैरिएंट वही मॉडल्स से जुड़ते हैं।

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>mAP50-95</th><th>ONNX विलंबता (ms)*</th><th>TensorRT FP16 (ms)*</th></tr></thead><tbody><tr><td><code>yolo26n-640</code></td><td>640x640</td><td>40.9</td><td>3.5</td><td>2.2</td></tr><tr><td><code>yolo26s-640</code></td><td>640x640</td><td>48.6</td><td>4.7</td><td>3.0</td></tr><tr><td><code>yolo26m-640</code></td><td>640x640</td><td>53.1</td><td>8.4</td><td>4.4</td></tr><tr><td><code>yolo26l-640</code></td><td>640x640</td><td>55.0</td><td>10.7</td><td>5.6</td></tr><tr><td><code>yolo26x-640</code></td><td>640x640</td><td>57.5</td><td>18.4</td><td>8.0</td></tr></tbody></table>

## YOLO26 इंस्टेंस सेगमेंटेशन

YOLO26 इंस्टेंस सेगमेंटेशन के माध्यम से चलता है [Serverless Cloud API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), जो COCO पर प्रीट्रेंड है। सेल्फ-होस्टेड डिप्लॉयमेंट के लिए, देखें [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26 इंस्टेंस सेगमेंटेशन API

अपनी API कुंजी सेट करें और ऊपर दिखाए अनुसार निर्भरताएँ इंस्टॉल करें, फिर चलाएँ `yolo26n-seg-640` और मास्क तथा लेबल को एनोटेट करें:

```python
import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)
result = client.infer(image, model_id="yolo26n-seg-640")
detections = sv.Detections.from_inference(result)

annotated = sv.MaskAnnotator().annotate(image.copy(), detections)
annotated = sv.BoxAnnotator().annotate(annotated, detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)
cv2.imwrite("traffic-annotated.png", annotated)
```

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-77cb4f6d6a5fce94b8e37a2efeff403a28deef2d%2Fyolo26-segmentation.webp?alt=media" alt=""><figcaption></figcaption></figure>

### YOLO26 इंस्टेंस सेगमेंटेशन मॉडल और बेंचमार्क

उपनाम को निम्न के रूप में पास करें `model_id`; `yolov26*` प्रिफिक्स वैरिएंट वही मॉडल्स से जुड़ते हैं। Box और mask mAP एंड-टू-एंड (NMS-मुक्त) COCO `वैल` मान हैं।

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>Box mAP50-95</th><th>मास्क mAP50-95</th><th>ONNX विलंबता (ms)*</th><th>TensorRT FP16 (ms)*</th></tr></thead><tbody><tr><td><code>yolo26n-seg-640</code></td><td>640x640</td><td>39.6</td><td>33.9</td><td>8.3</td><td>6.8</td></tr><tr><td><code>yolo26s-seg-640</code></td><td>640x640</td><td>47.3</td><td>40.0</td><td>10.8</td><td>8.5</td></tr><tr><td><code>yolo26m-seg-640</code></td><td>640x640</td><td>52.5</td><td>44.1</td><td>16.4</td><td>11.9</td></tr><tr><td><code>yolo26l-seg-640</code></td><td>640x640</td><td>54.4</td><td>45.5</td><td>18.4</td><td>12.8</td></tr><tr><td><code>yolo26x-seg-640</code></td><td>640x640</td><td>56.5</td><td>47.0</td><td>28.9</td><td>15.7</td></tr></tbody></table>

## YOLO26 कीपॉइंट डिटेक्शन

YOLO26 कीपॉइंट/पोज़ डिटेक्शन के माध्यम से चलता है [Serverless Cloud API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), जो COCO पर प्रीट्रेंड है। सेल्फ-होस्टेड डिप्लॉयमेंट के लिए, देखें [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26 कीपॉइंट डिटेक्शन API

अपनी API कुंजी सेट करें और ऊपर दिखाए अनुसार निर्भरताएँ इंस्टॉल करें, फिर चलाएँ `yolo26n-pose-640` और कीपॉइंट्स एनोटेट करें:

```python
import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/notebooks/examples/person-walking.png"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)
result = client.infer(image, model_id="yolo26n-pose-640")
key_points = sv.KeyPoints.from_inference(result)

annotated = sv.VertexAnnotator(color=sv.Color.RED, radius=5).annotate(image.copy(), key_points)
cv2.imwrite("person-walking-annotated.png", annotated)
```

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-c9409bba14d1a7699fb4d8043c243232fac5b917%2Fyolo26-keypoint.webp?alt=media" alt=""><figcaption></figcaption></figure>

### YOLO26 कीपॉइंट डिटेक्शन मॉडल और बेंचमार्क

उपनाम को निम्न के रूप में पास करें `model_id`; `yolov26*` प्रिफिक्स वैरिएंट वही मॉडल्स से जुड़ते हैं। mAP एंड-टू-एंड (NMS-मुक्त) COCO `वैल` मान है।

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>mAP50-95</th><th>ONNX विलंबता (ms)*</th><th>TensorRT FP16 (ms)*</th></tr></thead><tbody><tr><td><code>yolo26n-pose-640</code></td><td>640x640</td><td>57.2</td><td>3.8</td><td>2.3</td></tr><tr><td><code>yolo26s-pose-640</code></td><td>640x640</td><td>63.0</td><td>5.1</td><td>3.3</td></tr><tr><td><code>yolo26m-pose-640</code></td><td>640x640</td><td>68.8</td><td>9.0</td><td>4.6</td></tr><tr><td><code>yolo26l-pose-640</code></td><td>640x640</td><td>70.4</td><td>11.2</td><td>5.8</td></tr><tr><td><code>yolo26x-pose-640</code></td><td>640x640</td><td>71.6</td><td>19.1</td><td>8.3</td></tr></tbody></table>

## YOLO26 सिमेंटिक सेगमेंटेशन

YOLO26 सिमेंटिक सेगमेंटेशन (`yolo26-sem`) Roboflow पर सिमेंटिक सेगमेंटेशन के लिए अनुशंसित आर्किटेक्चर है। यह Cityscapes प्रीट्रेंड वेट्स का उपयोग करता है और डिफ़ॉल्ट 1024x1024 रिज़ॉल्यूशन पर ट्रेन करता है। यह पाँच आकारों में उपलब्ध है: n, s, m, l, x.

YOLO26-SEM मॉडल को ट्रेन करने के लिए, एक सिमेंटिक सेगमेंटेशन Project बनाएं और अपने आर्किटेक्चर के रूप में YOLO26 चुनें। आप यह भी [कस्टम-ट्रेंड वेट्स अपलोड कर सकते हैं](https://docs.roboflow.com/models/hi/model-weights/upload-custom-weights.md) YOLO26-SEM मॉडल के लिए।

Cityscapes प्रीट्रेंड मॉडल (19 classes) भी public models के रूप में उपलब्ध हैं जिन्हें आप एक [वर्कफ़्लो](https://docs.roboflow.com/workflows) बिना ट्रेनिंग के चला सकते हैं।

### YOLO26 सिमेंटिक सेगमेंटेशन मॉडल और बेंचमार्क

इनमें से किसी भी Cityscapes-प्रीट्रेंड alias को `model_id`; `yolov26*` प्रिफिक्स वैरिएंट वही मॉडल्स से जुड़ते हैं। वे केवल ONNX बैकएंड पर चलते हैं; कोई पूर्वनिर्मित TensorRT इंजन प्रकाशित नहीं किया गया है।

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>ONNX विलंबता (ms)*</th></tr></thead><tbody><tr><td><code>yolo26n-sem-1024</code></td><td>1024x1024</td><td>23.3</td></tr><tr><td><code>yolo26s-sem-1024</code></td><td>1024x1024</td><td>25.9</td></tr><tr><td><code>yolo26m-sem-1024</code></td><td>1024x1024</td><td>34.6</td></tr><tr><td><code>yolo26l-sem-1024</code></td><td>1024x1024</td><td>35.8</td></tr><tr><td><code>yolo26x-sem-1024</code></td><td>1024x1024</td><td>53.2</td></tr></tbody></table>

***

\* विलंबता निम्न के साथ मापी जाती है [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 1x NVIDIA L4 पर, बैच आकार 1, 1,000 इन्फ़रेंस का औसत (100 वार्मअप)। डिफ़ॉल्ट `inference-gpu` इंस्टॉल ONNX को CUDA execution provider पर चलाता है; निम्न जोड़ने पर `inference-models[trt10]` extra स्वतः एक पूर्वनिर्मित TensorRT FP16 इंजन चुनता है। FP16, COCO पर FP32 की सटीकता के भीतर 0.1 mAP तक मेल खाता है `val2017`. सटीकता प्रकाशित COCO `वैल` स्पेक ([स्रोत](https://docs.ultralytics.com/models/yolo26/)).

## कस्टम वेट्स अपलोड करें

Roboflow के बाहर आपने जिस YOLO26 मॉडल को ट्रेन किया है, उसे चलाने के लिए, उसकी वेट्स को उस Project में अपलोड करें जिसमें [Roboflow CLI](https://docs.roboflow.com/reference/platform/cli/install-and-set-up-the-cli):

```bash
roboflow upload_model -p my-project -v 1 -t yolo26n -m ./runs/detect/train
```

सेट करें `-t` अपने मॉडल के आकार और कार्य के अनुसार (उदा. `yolo26s-seg`, `yolo26m-pose`, `yolo26n-sem`). देखें [कस्टम वेट्स अपलोड करें](https://docs.roboflow.com/models/hi/model-weights/upload-custom-weights.md) Python SDK और प्रशिक्षण संस्करण आवश्यकताओं के लिए।

## लाइसेंस

YOLO26 AGPL-3.0 के अंतर्गत जारी किया गया है। इसका वाणिज्यिक उपयोग के लिए क्या अर्थ है:

* **Roboflow क्लाउड पर:** हर उपयोगकर्ता के लिए, जिसमें फ्री प्लान भी शामिल है, एक वाणिज्यिक लाइसेंस शामिल है।
* **स्व-होस्टेड:** आपको Enterprise लाइसेंस ऐड-ऑन की आवश्यकता है, या आपको अपने एप्लिकेशन को AGPL-3.0 के अंतर्गत ओपन-सोर्स करना होगा।
* **अनुमेय विकल्प:** [RF-DETR](https://docs.roboflow.com/models/hi/supported-models/rf-detr.md) Apache 2.0 के अंतर्गत है, और कहीं भी वाणिज्यिक उपयोग के लिए निःशुल्क है।

देखें [Roboflow की Ultralytics लाइसेंसिंग](https://roboflow.com/ultralytics) विवरण के लिए।
