> 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/roboflow/roboflow-hi/deploy/supported-models/yolo26.md).

# YOLO26

## YOLO26 ऑब्जेक्ट डिटेक्शन

YOLO26 ऑब्जेक्ट डिटेक्शन के माध्यम से चलता है [Serverless Hosted API](/roboflow/roboflow-hi/deploy/serverless-hosted-api-v2.md), COCO पर pretrained. Self-hosted deployment के लिए, देखें [Roboflow Inference](https://inference.roboflow.com/).

### कोड नमूना

यह नमूना एक test image डाउनलोड करता है, inference चलाता है `inference-sdk`, response को के साथ decode करता है `supervision`, और disk पर एक annotated PNG लिखता है.

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

एक Roboflow खाता बनाएं, अपनी key यहाँ पर 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 library इंस्टॉल करें:

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

{% endstep %}

{% step %}
**मॉडल चलाएँ**

चलाएँ `yolo26n-640` एक sample image पर और boxes तथा labels annotate करें:

```python
import os
import cv2
import numpy as np
import requests
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
content = requests.get(image_url).content
image = cv2.imdecode(np.frombuffer(content, np.uint8), cv2.IMREAD_COLOR)

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/71d2fdfe0f44edf748f519461c7ab98bc6ac6f79" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

{% hint style="info" %}
सेट करें `api_url` को अपने deployment target से मिलाएँ:

* `https://serverless.roboflow.com` Serverless Hosted API के लिए।
* `http://localhost:9001` एक local [Inference](https://inference.roboflow.com/) server.
* आपका [Dedicated Deployment](/roboflow/roboflow-hi/deploy/dedicated-deployments.md) एक private endpoint के लिए URL.
  {% endhint %}

### Pretrained models और benchmarks

इनमें से किसी भी alias को बतौर पास करें `model_id`। `inference-sdk` हर alias को उसके pretrained Roboflow Universe model में client-side resolve करता है; `yolov26*` prefix variants वही models resolve करते हैं.

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>mAP50-95</th><th>ONNX latency (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 के माध्यम से चलता है [Serverless Hosted API](/roboflow/roboflow-hi/deploy/serverless-hosted-api-v2.md), COCO पर pretrained. Self-hosted deployment के लिए, देखें [Roboflow Inference](https://inference.roboflow.com/).

### कोड नमूना

अपनी API key सेट करें और ऊपर दिखाए अनुसार dependencies इंस्टॉल करें, फिर चलाएँ `yolo26n-seg-640` और masks तथा labels को annotate करें:

```python
import os
import cv2
import numpy as np
import requests
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
content = requests.get(image_url).content
image = cv2.imdecode(np.frombuffer(content, np.uint8), cv2.IMREAD_COLOR)

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/f41b60994cb948013d80a405dfe8742eef93c0a2" alt=""><figcaption></figcaption></figure>

### Pretrained models और benchmarks

इनमें से किसी भी alias को बतौर पास करें `model_id`; `yolov26*` prefix variants वही models resolve करते हैं। Box और mask mAP end-to-end (NMS-free) COCO `val` values.

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>Box mAP50-95</th><th>Mask mAP50-95</th><th>ONNX latency (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 Keypoint Detection

YOLO26 keypoint/pose detection के माध्यम से चलता है [Serverless Hosted API](/roboflow/roboflow-hi/deploy/serverless-hosted-api-v2.md), COCO पर pretrained. Self-hosted deployment के लिए, देखें [Roboflow Inference](https://inference.roboflow.com/).

### कोड नमूना

अपनी API key सेट करें और ऊपर दिखाए अनुसार dependencies इंस्टॉल करें, फिर चलाएँ `yolo26n-pose-640` और keypoints को annotate करें:

```python
import os
import cv2
import numpy as np
import requests
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/notebooks/examples/person-walking.png"
content = requests.get(image_url).content
image = cv2.imdecode(np.frombuffer(content, np.uint8), cv2.IMREAD_COLOR)

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/141a50a6fced0604b40c1c42861ca1b19f6f3f59" alt=""><figcaption></figcaption></figure>

### Pretrained models और benchmarks

इनमें से किसी भी alias को बतौर पास करें `model_id`; `yolov26*` prefix variants वही models resolve करते हैं। mAP end-to-end (NMS-free) COCO `val` values.

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>mAP50-95</th><th>ONNX latency (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 Semantic Segmentation

YOLO26 semantic segmentation (`yolo26-sem`) Roboflow पर semantic segmentation के लिए अनुशंसित architecture है। यह Cityscapes pretrained weights का उपयोग करता है और डिफ़ॉल्ट resolution 1024x1024 पर train होता है। पाँच sizes में उपलब्ध: n, s, m, l, x.

एक YOLO26-SEM model train करने के लिए, एक semantic segmentation Project बनाएँ और अपनी architecture के रूप में YOLO26 चुनें। आप यह भी [custom-trained weights upload कर सकते हैं](/roboflow/roboflow-hi/deploy/upload-custom-weights.md) YOLO26-SEM models के लिए.

Cityscapes pretrained models (19 classes) भी public models के रूप में उपलब्ध हैं जिन्हें आप एक [Workflow](/roboflow/roboflow-hi/workflows/what-is-workflows.md) बिना training के चला सकते हैं.

### Pretrained models और benchmarks

इनमें से किसी भी Cityscapes-pretrained alias को as the `model_id`; `yolov26*` prefix variants वही models resolve करते हैं। वे केवल ONNX backend पर चलते हैं; कोई prebuilt TensorRT engine प्रकाशित नहीं की गई है.

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>ONNX latency (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>

***

\* Latency मापी जाती है [Roboflow Inference](https://inference.roboflow.com/) 1x NVIDIA L4 पर, batch size 1, 1,000 inferences का औसत (100 warmup)। डिफ़ॉल्ट `inference-gpu` install CUDA execution provider पर ONNX चलाता है; `inference-models[trt10]` extra स्वतः एक prebuilt TensorRT FP16 engine चुनता है। FP16, COCO पर FP32 accuracy से 0.1 mAP के भीतर मेल खाता है `val2017`. Accuracy प्रकाशित COCO `val` spec ([स्रोत](https://docs.ultralytics.com/models/yolo26/)).