YOLO26

YOLO26 モデルファミリーを Serverless Cloud API 経由で使用します

YOLO26物体検出

YOLO26物体検出は、次を通じて実行されます Serverless Cloud API、COCOで事前学習済みです。セルフホスト型デプロイについては、次を参照してください Roboflow Inference.

コード例

このサンプルはテスト画像をダウンロードし、次を通じて推論を実行します inference-sdk、次を使ってレスポンスをデコードし supervision、注釈付きPNGを書き込みます。

1

API キーを取得する

Roboflow アカウントを作成し、キーを次の場所で見つけてください。 Roboflow API 設定ページ そしてシェルから使えるようにします。

export ROBOFLOW_API_KEY="your-key-here"

2

依存関係をインストールする

SDKと次をインストールしてください supervision 注釈用ライブラリ:

pip install -U inference-sdk supervision opencv-python

3

モデルを実行する

実行 yolo26n-640 サンプル画像に対して、ボックスとラベルを注釈付きで表示します:

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)

設定してください api_url をデプロイ先に合わせてください：

• https://serverless.roboflow.com Serverless Cloud API 用です。

• http://localhost:9001 ローカルの Inference サーバー。

• あなたの 専用デプロイメント プライベートエンドポイント用の URL。

事前学習済みモデルとベンチマーク

これらのエイリアスのいずれかを次の引数として渡します model_id。 inference-sdk 各エイリアスをクライアント側で対応する事前学習済みRoboflow Universeモデルに解決します。 yolov26* プレフィックスのバリエーションは同じモデルに解決されます。

エイリアス	入力サイズ	mAP50-95	ONNXレイテンシ（ms）*	TensorRT FP16（ms）*
yolo26n-640	640x640	40.9	3.5	2.2
yolo26s-640	640x640	48.6	4.7	3.0
yolo26m-640	640x640	53.1	8.4	4.4
yolo26l-640	640x640	55.0	10.7	5.6
yolo26x-640	640x640	57.5	18.4	8.0

YOLO26インスタンスセグメンテーション

YOLO26インスタンスセグメンテーションは、次を通じて実行されます Serverless Cloud API、COCOで事前学習済みです。セルフホスト型デプロイについては、次を参照してください Roboflow Inference.

コード例

APIキーを設定し、上記のように依存関係をインストールしてから、次を実行します yolo26n-seg-640 そしてマスクとラベルに注釈を付けます:

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)

事前学習済みモデルとベンチマーク

これらのエイリアスのいずれかを次の引数として渡します model_id； yolov26* プレフィックスのバリエーションは同じモデルに解決されます。BoxとマスクのmAPは、エンドツーエンド（NMSなし）のCOCO val の値です。

エイリアス	入力サイズ	Box mAP50-95	マスクmAP50-95	ONNXレイテンシ（ms）*	TensorRT FP16（ms）*
yolo26n-seg-640	640x640	39.6	33.9	8.3	6.8
yolo26s-seg-640	640x640	47.3	40.0	10.8	8.5
yolo26m-seg-640	640x640	52.5	44.1	16.4	11.9
yolo26l-seg-640	640x640	54.4	45.5	18.4	12.8
yolo26x-seg-640	640x640	56.5	47.0	28.9	15.7

YOLO26キーポイント検出

YOLO26キーポイント／姿勢検出は、次を通じて実行されます Serverless Cloud API、COCOで事前学習済みです。セルフホスト型デプロイについては、次を参照してください Roboflow Inference.

コード例

APIキーを設定し、上記のように依存関係をインストールしてから、次を実行します yolo26n-pose-640 そしてキーポイントに注釈を付けます:

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)

事前学習済みモデルとベンチマーク

これらのエイリアスのいずれかを次の引数として渡します model_id； yolov26* プレフィックスのバリエーションは同じモデルに解決されます。mAPは、エンドツーエンド（NMSなし）のCOCO val の値です。

エイリアス	入力サイズ	mAP50-95	ONNXレイテンシ（ms）*	TensorRT FP16（ms）*
yolo26n-pose-640	640x640	57.2	3.8	2.3
yolo26s-pose-640	640x640	63.0	5.1	3.3
yolo26m-pose-640	640x640	68.8	9.0	4.6
yolo26l-pose-640	640x640	70.4	11.2	5.8
yolo26x-pose-640	640x640	71.6	19.1	8.3

YOLO26セマンティックセグメンテーション

YOLO26セマンティックセグメンテーション（yolo26-sem）は、Roboflowでのセマンティックセグメンテーションに推奨されるアーキテクチャです。Cityscapesで事前学習済みの重みを使用し、デフォルト解像度1024x1024で学習します。n、s、m、l、xの5サイズがあります。

YOLO26-SEMモデルを学習するには、セマンティックセグメンテーションのプロジェクトを作成し、アーキテクチャとしてYOLO26を選択してください。また、 カスタム学習済み重みをアップロードすることもできます YOLO26-SEMモデル向けに。

Cityscapesの事前学習済みモデル（19クラス）も、次の環境で実行できる公開モデルとして利用できます。 Workflow 学習なしで。

事前学習済みモデルとベンチマーク

これらのCityscapes事前学習済みエイリアスのいずれかを次として指定してください model_id； yolov26* プレフィックスのバリエーションは同じモデルに解決されます。これらはONNXバックエンドでのみ動作し、事前ビルド済みのTensorRTエンジンは公開されていません。

エイリアス	入力サイズ	ONNXレイテンシ（ms）*
yolo26n-sem-1024	1024x1024	23.3
yolo26s-sem-1024	1024x1024	25.9
yolo26m-sem-1024	1024x1024	34.6
yolo26l-sem-1024	1024x1024	35.8
yolo26x-sem-1024	1024x1024	53.2

---

* レイテンシは以下を用いて測定されています Roboflow Inference 1x NVIDIA L4、バッチサイズ1、1,000回の推論（100回のウォームアップ）の平均。デフォルトの inference-gpu インストールではONNXをCUDA実行プロバイダーで実行します。以下を追加すると inference-models[trt10] extraを選択すると、事前ビルド済みのTensorRT FP16エンジンが自動的に選択されます。FP16はCOCOでFP32の精度と0.1 mAP以内で一致します val2017。精度は公開されているCOCOの val 仕様（出典).