> 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オブジェクト検出

## YOLO26オブジェクト検出

YOLO26オブジェクト検出は、～を通じて実行されます [サーバーレスホスト型 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メントについては、 [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### コード例

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、 `inference-sdk`で応答をデコードし、 `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、以下でキーを見つけます： [Roboflow API 設定ページ](https://app.roboflow.com/settings/api) その後、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/) 注釈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

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/489b23d4a1333e9b93858e29025236b6266b8792" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

{% hint style="info" %}
設定する `api_url` をデプロイ先に合わせます：

* `https://serverless.roboflow.com` Serverless Hosted 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 [専用デプロイメント](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 %}

### 事前学習済みモデルとベンチマーク

次のいずれかのエイリアスを `model_id`。 `inference-sdk` 各エイリアスをクライアント側でそれぞれの事前学習済みRoboflow Universeモデルに解決します。  `yolov26*` のプレフィックスバリエーション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 レイテンシー (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 [サーバーレスホスト型 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メントについては、 [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### コード例

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` そ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="/files/df9030da44d4994959aaf03f6a282fc4889a1d18" alt=""><figcaption></figcaption></figure>

### 事前学習済みモデルとベンチマーク

次のいずれかのエイリアスを `model_id`。 `yolov26*` のプレフィックス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不要）のCOCO `val` 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>Mask mAP50-95</th><th>ONNX レイテンシー (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／ポーズ検出は、～を通じて実行されます [サーバーレスホスト型 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メントについては、 [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### コード例

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` そ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="/files/dbadce291e44add6f6fb6288b1ff4ea7369b2123" alt=""><figcaption></figcaption></figure>

### 事前学習済みモデルとベンチマーク

次のいずれかのエイリアスを `model_id`。 `yolov26*` のプレフィックス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不要）のCOCO `val` 指標です。

<table data-search="false"><thead><tr><th>別名</th><th>入力サイズ</th><th>mAP50-95</th><th>ONNX レイテンシー (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サイズで利用できます。

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を選択します。また、 [カスタム学習済みの重みをアップロードする](/models/ja/moderunomi/upload-custom-weights.md) こともYOLO26-SEMモデルでできます。

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

### 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、 `model_id`。 `yolov26*` のように渡してください。プレフィックス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 レイテンシー (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>

***

\* レイテンシーは次の条件で測定されています [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）で測定。デフォルトの `inference-gpu` インストールでは CUDA 実行プロバイダー上で ONNX を実行します。以下を追加すると `inference-models[trt10]` extraは、事前構築済みのTensorRT FP16エンジンを自動的に選択します。FP16は、COCO `val2017`で、公開されている COCO `val` 仕様（[ソース](https://docs.ultralytics.com/models/yolo26/)).