> 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 ऑब्जेक्ट डिटेक्शन

## YOLO26 ऑब्जेक्ट डिटेक्शन

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

### कोड नमूना

यह नमूना एक परीक्षण छवि डाउनलोड करता है, इनफ़ेरेंस चलाता है `inference-sdk`, और प्रतिक्रिया को `supervision`, और एक एनोटेटेड PNG को डिस्क पर लिखता है.

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

एक Roboflow खाता बनाएँ, अपनी कुंजी यहाँ खोजें [Roboflow API सेटिंग्स पेज](https://app.roboflow.com/settings/api) और इसे अपने shell के लिए 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:

```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

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-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="/files/ba454f9178008550cde5023ec51e9ea4cb0f6305" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

{% hint style="info" %}
सेट करें `api_url` को अपने deployment target से मिलाने के लिए:

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

### प्रीट्रेंड मॉडल और बेंचमार्क

इनमें से किसी भी उपनाम को `model_id`। The `inference-sdk` प्रत्येक उपनाम को उसके प्रीट्रेंड Roboflow Universe मॉडल में क्लाइंट-साइड पर रीसॉल्व करता है; `yolov26*` उपसर्ग वेरिएंट्स वही मॉडल्स पर रीसॉल्व होते 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 [सर्वरलेस होस्टेड API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), COCO पर प्रीट्रेंड। स्वयं-होस्टेड डिप्लॉयमेंट के लिए, देखें [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### कोड नमूना

अपनी API कुंजी सेट करें और ऊपर दिखाए अनुसार निर्भरताएँ इंस्टॉल करें, फिर चलाएँ `yolo26n-seg-640` और मास्क तथा लेबल 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="/files/cfeedfd9e115e78b72c74009b2bddb43b94497b8" alt=""><figcaption></figcaption></figure>

### प्रीट्रेंड मॉडल और बेंचमार्क

इनमें से किसी भी उपनाम को `model_id`; `yolov26*` उपसर्ग वेरिएंट्स वही मॉडल्स पर रीसॉल्व होते हैं। बॉक्स और मास्क mAP एंड-टू-एंड (NMS-रहित) COCO `val` मान हैं.

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>बॉक्स 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 [सर्वरलेस होस्टेड API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), COCO पर प्रीट्रेंड। स्वयं-होस्टेड डिप्लॉयमेंट के लिए, देखें [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### कोड नमूना

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="/files/5a3f8c55328fba4685be0e513db0d5e077e3d40c" alt=""><figcaption></figcaption></figure>

### प्रीट्रेंड मॉडल और बेंचमार्क

इनमें से किसी भी उपनाम को `model_id`; `yolov26*` उपसर्ग वेरिएंट्स वही मॉडल्स पर रीसॉल्व होते हैं। mAP एंड-टू-एंड (NMS-रहित) COCO `val` 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 रिज़ॉल्यूशन 1024x1024 पर प्रशिक्षित होता है। n, s, m, l, x — पाँच आकारों में उपलब्ध।

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

Cityscapes प्रीट्रेंड मॉडल (19 कक्षाएँ) सार्वजनिक मॉडलों के रूप में भी उपलब्ध हैं जिन्हें आप एक [वर्कफ़्लो](https://docs.roboflow.com/workflows) बिना प्रशिक्षण के चला सकते हैं.

### प्रीट्रेंड मॉडल और बेंचमार्क

इन Cityscapes-प्रीट्रेंड उपनामों में से किसी को भी `model_id`; `yolov26*` उपसर्ग वेरिएंट्स वही मॉडल्स पर रीसॉल्व होते हैं। वे केवल ONNX बैकएंड पर चलते हैं; कोई पूर्वनिर्मित TensorRT इंजन प्रकाशित नहीं 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 मापी गई है [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 1x NVIDIA L4 पर, batch size 1, 1,000 inference (100 warmup) के औसत के साथ। डिफ़ॉल्ट `inference-gpu` install, ONNX को CUDA execution provider पर चलाता है; इसके साथ जोड़ने से `inference-models[trt10]` extra स्वचालित रूप से एक पूर्वनिर्मित TensorRT FP16 इंजन चुनता है। FP16, COCO पर FP32 सटीकता के 0.1 mAP के भीतर मेल खाता है `val2017`. सटीकता प्रकाशित COCO `val` spec ([स्रोत](https://docs.ultralytics.com/models/yolo26/)).