「YOLO+1」的游戏循环被打破？最新YOLO26出炉，端到端架构重塑实时检测新范式

YOLO26 模型仍在开发中，尚未发布。此处显示的性能数据为预览。最终的下载和正式发布将很快跟进 — 请通过 YOLO Vision 2025 获取最新信息。

概述

Ultralytics 的 YOLO26 是 YOLO 系列实时目标检测器的最新演进，专为边缘和低功耗设备从头设计。它引入了一套简化的设计，去除不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻量、且更易于部署的模型。

YOLO26 的架构由三个核心原则驱动：

• 简洁性： YOLO26 是一个原生端到端模型，直接输出预测结果，无需非极大值抑制（NMS）。通过消除这个后处理步骤，推理更快、更轻、更易于在实际系统中部署。这一端到端方法最早由清华大学的 Ao Wang 在 YOLOv10 中率先提出，并在 YOLO26 中得到进一步推进。
• 部署效率： 端到端设计去掉了整段流水线，显著简化集成、降低延迟，并提升在多样环境下的部署鲁棒性。
• 训练创新： YOLO26 引入了 MuSGD 优化器，它是 SGD 与 Muon 的混合体——灵感来自 Moonshot AI 在大模型训练上的 Kimi K2 突破。该优化器带来更稳定和更快的收敛，将语言模型的优化进展迁移到计算机视觉领域。

这些创新共同提供了一个在小目标上拥有更高精度、部署无缝且在 CPU 上最多提升 43% 推理速度的模型家族——使 YOLO26 成为资源受限环境下最实用、最易部署的 YOLO 模型之一。

01 主要特性

• 移除 DFL
  分布焦点损失（DFL）模块虽然有效，但常常增加导出复杂度并限制硬件兼容性。YOLO26 完全移除了 DFL，简化了推理并扩大了对边缘和低功耗设备的支持。
• 端到端无 NMS 推理
  与依赖 NMS 作为独立后处理步骤的传统检测器不同，YOLO26 是原生端到端的。预测直接生成，减少延迟，使得在生产系统中的集成更快、更轻、更可靠。
• ProgLoss + STAL
  改进的损失函数提升检测精度，尤其在小目标识别方面有显著改进，这对物联网、机器人、航拍影像和其他边缘应用非常关键。
• MuSGD 优化器
  一种将 SGD 与 Muon 相结合的新型混合优化器。灵感来自 Moonshot AI 的 Kimi K2，MuSGD 将大模型训练中的高级优化方法引入计算机视觉，带来更稳定的训练和更快的收敛。
• CPU 推理速度提升最多达 43%
  YOLO26 针对边缘计算进行了专门优化，在无 GPU 的设备上也能提供近实时性能。

02 支持的任务与模式

YOLO26 被设计为一个多任务模型家族，扩展了 YOLO 在不同计算机视觉挑战中的适用性：

该统一框架确保 YOLO26 适用于实时检测、分割、分类、姿态估计和定向目标检测——在发布时均支持训练、验证、推理与导出。

03 性能指标

3.1 YOLO26 系列基准预览（早期版本）

注意：以下为训练完成前的早期预览数据。最终指标及可下载权重将在训练完成后发布。

目标检测（COCO）

训练数据：COCO（80 个预训练类别）
使用指南：模型发布后请参考 Detection Docs

注：YOLO26l 和 YOLO26x 的指标仍在评估中，最终结果将在此更新。

其他任务（指标即将发布）

3.2 与 YOLO11 相比，YOLO26 的主要改进是什么？

• 移除 DFL：简化导出并扩大边缘兼容性
• 端到端无 NMS 推理：取消 NMS 实现更快、更简单的部署
• ProgLoss + STAL：提升精度，尤其是小目标
• MuSGD 优化器：将 SGD 与 Muon（受 Moonshot 的 Kimi K2 启发）结合，带来更稳定、高效的训练
• CPU 推理速度最多提升 43% ：为仅 CPU 的设备带来重大性能提升

3.3 YOLO26 会支持哪些任务？

YOLO26 设计为一个统一的模型家族，发布时将对多种计算机视觉任务提供端到端支持：

• 目标检测
• 实例分割
• 图像分类
• 姿态估计
• 定向目标检测 (OBB)

每个尺寸变体（n、s、m、l、x）计划在发布时支持所有任务。

3.4 为什么 YOLO26 针对边缘部署进行了优化？

YOLO26 在边缘设备上实现一流的性能，主要得益于：

• 在 CPU 上推理速度提升最多 43%
• 减小模型体积和内存占用
• 架构简化以提高兼容性（无 DFL、无 NMS）
• 支持灵活的导出格式，包括 TensorRT、ONNX、CoreML、TFLite 和 OpenVINO

公众号后台回复“数据集”获取100+深度学习各方向资源整理