> 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/ja/supported-models/yolo26.md).

# YOLO26

## YOLO26物体検出

YOLO26の物体検出は～を通じて実行されます [サーバーレス・クラウドAPI](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-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、こちらをご参照ください [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26物体検出API

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

{% stepper %}
{% step %}
**API Key を取得する**

Roboflow アカウントを作成し、次のページでキーを見つけてください [Roboflow の API 設定ページ](https://app.roboflow.com/settings/api) そしてシェルで利用できるようにします:

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

{% endstep %}

{% step %}
**依存関係をインストールする**

SDKと [supervision](https://supervision.roboflow.com/) アノテーション用ライブラリをインストールしてください:

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

{% endstep %}

{% step %}
**モデルを実行する**

実行 `yolo26n-640` をサンプル画像で実行し、ボックスとラベルに注釈を付けます：

```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://1194881119-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" %}
設定 `api_url` をデプロイ先に合わせて設定します:

* `https://serverless.roboflow.com` Serverless Cloud API 用。
* `http://localhost:9001` ローカルの [Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) サーバー用。
* あなたの [専用デプロイ](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) プライベートエンドポイント用の URL。
  {% endhint %}

### YOLO26物体検出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 `model_id`。 `inference-sdk` 各エイリアスはクライアント側で事前学習済みのRoboflow Universeモデルに解決されます。 `yolov26*` という接頭辞のバリアントは同じモデルに解決されます。

<table data-search="false"><thead><tr><th>別名</th><th>入力サイズ</th><th>mAP50-95</th><th>ONNX レイテンシ（ms）*</th><th>TensorRT FP16 レイテンシ（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インスタンスセグメンテーション

YOLO26のインスタンスセグメンテーションは～を通じて実行されます [サーバーレス・クラウドAPI](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-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、こちらをご参照ください [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26インスタンスセグメンテーションAPI

上で示したように API キーを設定して依存関係をインストールし、次に `yolo26n-seg-640` を使ってマスクとラベルを注釈付けします:

```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://1194881119-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インスタンスセグメンテーション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 `model_id`; つまり `yolov26*` という接頭辞のバリアントは同じモデルに解決されます。ボックスとマスクのmAPはエンドツーエンド（NMSなし）のCOCO `val` の値です。

<table data-search="false"><thead><tr><th>別名</th><th>入力サイズ</th><th>Box mAP50-95</th><th>マスク mAP50-95</th><th>ONNX レイテンシ（ms）*</th><th>TensorRT FP16 レイテンシ（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キーポイント検出

YOLO26のキーポイント/ポーズ検出は～を通じて実行されます [サーバーレス・クラウドAPI](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-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、こちらをご参照ください [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26キーポイント検出API

上で示したように API キーを設定して依存関係をインストールし、次に `yolo26n-pose-640` を実行してキーポイントに注釈を付けます。

```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://1194881119-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キーポイント検出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 `model_id`; つまり `yolov26*` という接頭辞のバリアント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。

<table data-search="false"><thead><tr><th>別名</th><th>入力サイズ</th><th>mAP50-95</th><th>ONNX レイテンシ（ms）*</th><th>TensorRT FP16 レイテンシ（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セマンティックセグメンテーション

YOLO26の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で事前学習された重みを使用し、デフォルト解像度1024x1024で学習します。n、s、m、l、xの5つのサイズがあります。

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Project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](https://docs.roboflow.com/models/ja/moderunomi/upload-custom-weights.md) YOLO26-SEMモデル用に。

Cityscapesで事前学習されたモデル（19クラス）も、ワークフローで実行できる公開モデルとして利用できます [Workflow](https://docs.roboflow.com/workflows) 学習なしで。

### YOLO26セマンティックセグメンテーション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 `model_id`; つまり `yolov26*` という接頭辞のバリアントは同じモデルに解決されます。ONNXバックエンドでのみ実行され、事前構築済みのTensorRTエンジンは公開されていません。

<table data-search="false"><thead><tr><th>別名</th><th>入力サイズ</th><th>ONNX レイテンシ（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>

***

\* レイテンシは以下で計測しています [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 1x NVIDIA L4、バッチサイズ 1、1,000 回の推論の平均（100 回のウォームアップ）で計測しています。デフォルトの `inference-gpu` のインストールでは CUDA 実行プロバイダー上で ONNX が実行されます。 `inference-models[trt10]` extraを選ぶと、事前構築済みのTensorRT FP16エンジンが自動的に選択されます。FP16はCOCO `val2017`で FP32 の精度と 0.2 mAP 以内で一致します。精度は公開されている COCO `val` 仕様（[ソース](https://docs.ultralytics.com/models/yolo26/)).

## カスタム重みをアップロード

Roboflow外で学習したYOLO26モデルを実行するには、 [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
```

設定 `-t` を、モデルのサイズとタスクに合わせて選んでください（例： `yolo26s-seg`, `yolo26m-pose`, `yolo26n-sem`）。詳しくは [カスタム重みをアップロード](https://docs.roboflow.com/models/ja/moderunomi/upload-custom-weights.md) Python SDK と学習バージョンの要件を参照してください。

## ライセンス

YOLO26はAGPL-3.0の下で公開されています。商用利用において何を意味するか:&#x20;

* **Roboflowクラウドでは:** 無料プランを含むすべてのユーザーに商用ライセンスが含まれています。
* **セルフホスト型では:** Enterpriseライセンスのアドオンが必要です。さもなければ、AGPL-3.0の下でアプリケーションをオープンソース化する必要があります。
* **寛容な代替案:** [RF-DETR](https://docs.roboflow.com/models/ja/supported-models/rf-detr.md) はApache 2.0で、どこでも商用利用が無料です。

参照 [RoboflowのUltralyticsライセンス](https://roboflow.com/ultralytics) 詳細について。
