> 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 オブジェクト検出

YOLO26のオブジェクト検出は次を通して実行されます [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、次を参照してください [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26 オブジェクト検出 API

このサンプルはテスト画像をダウンロードし、次を通して推論を実行します `inference-sdk`、応答を次でデコードし `supervision`、注釈付きPNGを書き出します。

{% stepper %}
{% step %}
**API キーを取得する**

Roboflow アカウントを作成し、キーは [Roboflow API 設定ページ](https://app.roboflow.com/settings/api) で確認し、シェルで使えるようにします:

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

{% endstep %}

{% step %}
**依存関係をインストールする**

SDKと次をインストールしてください [supervision](https://supervision.roboflow.com/) 注釈用ライブラリ：

```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" %}
設定してください `api_url` をデプロイ先に合わせて:

* `https://serverless.roboflow.com` サーバーレス・クラウド API 用。
* `http://localhost:9001` ローカル [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 オブジェク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、次の引数として渡してください `model_id`。また、 `inference-sdk` 各エイリアスはクライアント側で対応する事前学習済みのRoboflow Universeモデルに解決されます。 `yolov26*` のプレフィックス変種は同じモデルに解決されます。

<table data-search="false"><thead><tr><th>エイリアス</th><th>入力サイズ</th><th>mAP50-95</th><th>ONNX レイテンシ (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 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次を通して実行されます [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、次を参照してください [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

上記のようにAPIキーを設定して依存関係をインストールし、次を実行してください `yolo26n-seg-640` を実行して、マスク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

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、次の引数として渡してください `model_id`； `yolov26*` のプレフィックス変種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不要）のCOCO `val` の値です。

<table data-search="false"><thead><tr><th>エイリアス</th><th>入力サイズ</th><th>ボックス mAP50-95</th><th>マスク mAP50-95</th><th>ONNX レイテンシ (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 キーポイント検出

YOLO26のキーポイント/姿勢検出は次を通して実行されます [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、次を参照してください [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26 キーポイント検出 API

上記のようにAPIキーを設定して依存関係をインストールし、次を実行してください `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、次の引数として渡してください `model_id`； `yolov26*` のプレフィックス変種は同じモデルに解決されます。mAPはエンドツーエンド（NMS不要）のCOCO `val` の値です。

<table data-search="false"><thead><tr><th>エイリアス</th><th>入力サイズ</th><th>mAP50-95</th><th>ONNX レイテンシ (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 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](/models/ja/moderunomi/upload-custom-weights.md) して、YOLO26-SEMモデルに使用できます。

Cityscapesの事前学習済みモデル（19クラス）も、次で実行できる公開モデルとして利用できます [ワークフロー](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、次の引数として渡してください `model_id`； `yolov26*` プレフィックス変種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>エイリアス</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>

***

\* レイテンシは次で測定しています [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 1基の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。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。次を追加すると `inference-models[trt10]` オプションにより、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の精度はCOCO上でFP32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（[ソース](https://docs.ultralytics.com/models/yolo26/)).

## ライセンス

YOLO26はAGPL-3.0で公開されています。商用利用においてそれが意味すること：

* **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ます。
* **自前ホストでは:** Enterprise ライセンスのアドオンが必要です。さもなければ、アプリケーションを AGPL-3.0 の下でオープンソース化する必要があります。
* **より制約の少ない代替案:** [RF-DETR](/models/ja/supported-models/rf-detr.md) は Apache 2.0 で、どこでも商用利用無料です。

参照: [Roboflow の Ultralytics ライセンス](https://roboflow.com/ultralytics) 詳細をご覧ください。