> 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 इसके माध्यम से चलता है [Serverless Cloud API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), COCO पर पूर्व-प्रशिक्षित। स्व-होस्टेड परिनियोजन के लिए, देखें [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26 ऑब्जेक्ट डिटेक्शन API

यह नमूना एक परीक्षण छवि डाउनलोड करता है, और इसके माध्यम से इन्फेरेंस चलाता है `inference-sdk`, प्रतिक्रिया को इससे डिकोड करता है `supervision`, और एक एनोटेटेड PNG डिस्क पर लिखता है।

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

एक Roboflow खाता बनाएं, और अपनी key यहाँ ढूँढें: [Roboflow API settings page](https://app.roboflow.com/settings/api) और इसे अपने shell 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` को एक नमूना छवि पर चलाएँ 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` अपने deployment target से मेल खाने के लिए:

* `https://serverless.roboflow.com` Serverless Cloud API के लिए।
* `http://localhost:9001` स्थानीय [इन्फरेंस](https://docs.roboflow.com/deployment/self-hosted/self-hosted) server.
* आपका [Dedicated Deployment](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) एक private endpoint के लिए URL।
  {% endhint %}

### YOLO26 ऑब्जेक्ट डिटेक्शन मॉडल और बेंचमार्क

इनमें से किसी भी उपनाम को के रूप में पास करें `model_id`. `inference-sdk` क्लाइंट-साइड पर प्रत्येक उपनाम को उसके पूर्व-प्रशिक्षित Roboflow Universe मॉडल में रेज़ॉल्व करता है;  `yolov26*` प्रीफ़िक्स वेरिएंट उसी मॉडल पर रेज़ॉल्व 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 इसके माध्यम से चलता है [Serverless Cloud API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), COCO पर पूर्व-प्रशिक्षित। स्व-होस्टेड परिनियोजन 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 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

इनमें से किसी भी उपनाम को के रूप में पास करें `model_id`;  `yolov26*` प्रीफ़िक्स वेरिएंट उसी मॉडल पर रेज़ॉल्व होते हैं। बॉक्स और मास्क mAP एंड-टू-एंड (NMS-मुक्त) COCO `val` मान।

<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 इसके माध्यम से चलता है [Serverless Cloud API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), COCO पर पूर्व-प्रशिक्षित। स्व-होस्टेड परिनियोजन 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

इनमें से किसी भी उपनाम को के रूप में पास करें `model_id`;  `yolov26*` प्रीफ़िक्स वेरिएंट उसी मॉडल पर रेज़ॉल्व होते हैं। mAP एंड-टू-एंड (NMS-मुक्त) COCO `val` मान।

<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 के पूर्व-प्रशिक्षित वज़न का उपयोग करता है और 1024x1024 के डिफ़ॉल्ट रेज़ॉल्यूशन पर प्रशिक्षित होता है। पाँच आकारों में उपलब्ध: n, s, m, l, x.

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

Cityscapes के पूर्व-प्रशिक्षित मॉडल (19 वर्ग) सार्वजनिक मॉडल के रूप में भी उपलब्ध हैं, जिन्हें आप इसमें चला सकते हैं [वर्कफ़्लो](https://docs.roboflow.com/workflows) बिना प्रशिक्षण के।

### YOLO26 सिमेंटिक सेगमेंटेशन मॉडल और बेंचमार्क

इनमें से किसी भी Cityscapes-पूर्व-प्रशिक्षित उपनाम को के रूप में पास करें `model_id`;  `yolov26*` प्रीफ़िक्स वेरिएंट उसी मॉडल पर रेज़ॉल्व होते हैं। वे केवल ONNX बैकएंड पर चलते हैं; कोई पूर्व-निर्मित 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, बैच आकार 1, 1,000 इन्फेरेंस का औसत (100 वार्मअप)। डिफ़ॉल्ट `inference-gpu` इंस्टॉल ONNX को CUDA एक्ज़ीक्यूशन प्रोवाइडर पर चलाता है; इसे जोड़ने पर `inference-models[trt10]` एक्स्ट्रा स्वचालित रूप से एक पूर्व-निर्मित TensorRT FP16 इंजन चुनता है। FP16, COCO पर FP32 सटीकता से 0.1 mAP के भीतर मेल खाता है `val2017`। सटीकता प्रकाशित COCO `val` स्पेसिफिकेशन ([स्रोत](https://docs.ultralytics.com/models/yolo26/)).

## लाइसेंस

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

* **Roboflow cloud पर:** free plan सहित, हर उपयोगकर्ता के लिए एक commercial license शामिल है।
* **Self-hosted:** आपको Enterprise license add-on की आवश्यकता होगी, या आपको अपने application को AGPL-3.0 के अंतर्गत open-source करना होगा।
* **अनुमतिपूर्ण विकल्प:** [RF-DETR](/models/hi/supported-models/rf-detr.md) Apache 2.0 है, और कहीं भी वाणिज्यिक उपयोग के लिए निःशुल्क है।

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