YOLO26

Serverless Hosted API を通じて YOLO26 モデルファミリーを使用します

YOLO26 Object Detection

YOLO26 object detection は次を通じて実行されます Serverless Hosted API、COCO で事前学習されています。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.

コードサンプル

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、応答を次でデコードし、 supervision、注釈付き PNG をディスクに書き込みます。

1

API Key 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ます Roboflow API 設定ページ そしてシェルで利用できるようにします:

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ます supervision 注釈用ライブラリ:

pip install 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、ボックスとラベルに注釈を付けます：

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)

設定する api_url をデプロイ先に合わせてください:

• https://serverless.roboflow.com Serverless Hosted API 用。

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

• あなたの Dedicated Deployment プライベートエンドポイントの URL。

事前学習済みモデルとベンチマーク

これらのいずれかのエイリアスを、次として渡します model_idからプログラムで画像にアクセスすることもできます。 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アントは同じモデルに解決されます。

別名	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 Instance Segmentation

YOLO26 instance segmentation は次を通じて実行されます Serverless Hosted API、COCO で事前学習されています。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.

コードサンプル

API キーを設定し、上記のとおり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 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)

事前学習済みモデルとベンチマーク

これらのいずれかのエイリアスを、次として渡します model_id；その yolov26* プレフィックスのバリアントは同じモデルに解決されます。Box と mask の mAP はエンドツーエンド（NMS なし）の COCO 検証 の値です。

別名	入力サイズ	Box mAP50-95	Mask 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 Keypoint Detection

YOLO26 keypoint/pose detection は次を通じて実行されます Serverless Hosted API、COCO で事前学習されています。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.

コードサンプル

API キーを設定し、上記のとおり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 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)

事前学習済みモデルとベンチマーク

これらのいずれかのエイリアスを、次として渡します model_id；その yolov26* プレフィックス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 検証 の値です。

別名	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 Semantic Segmentation

YOLO26 semantic segmentation (yolo26-sem) は、Roboflow における semantic segmentation の推奨アーキテクチャです。Cityscapes の事前学習済み重みを使用し、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、semantic segmentation Project を作成し、アーキテクチャとして YOLO26 を選択します。また、 カスタム学習済み重みをアップロード して YOLO26-SEM モデルに使用することもできます。

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 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渡します model_id；その yolov26* プレフィックスのバリアントは同じモデルに解決されます。これらは ONNX バックエンドのみで動作し、事前構築済みの TensorRT エンジンは公開されていません。

別名	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

---

* レイテンシは以下で測定されています Roboflow Inference 1x NVIDIA L4、バッチサイズ1、1,000回の推論の平均（100回のウォームアップ）で。デフォルトの inference-gpu installでは、ONNXをCUDA実行プロバイダー上で実行します。さらに 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 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 検証 仕様 (ソース).