YOLO26 重磅发布：性能翻倍！更快更强更轻量的目标检测新标杆

  北京时间2025年9月25日，在伦敦举行的YOLO Vision 2025大会上，Ultralytics创始人兼CEO Glenn Jocher正式发布了备受期待的YOLO26。作为YOLO系列的最新成员，YOLO26承诺成为更好、更快、更小的Vision AI模型，专门为边缘和低功耗设备设计。

官方介绍：https://docs.ultralytics.com/zh/models/yolo26/

论文：YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection

代码：https://github.com/ultralytics/ultralytics/blob/main/docs/en/models/yolo26.md

  YOLO26并非简单的版本升级，而是一次理念上的革新。它的架构遵循三个核心原则：简单性、部署效率和训练创新。

• 简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。

• 部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。

• 训练创新： YOLO26 引入了MuSGD 优化器，它是 SGD 和 Muon 的混合体——灵感来源于 Moonshot AI 在 LLM 训练中 Kimi K2 的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。

• 任务特定优化： YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。

  与传统YOLO模型最大的区别在于，YOLO26是原生端到端模型，无需非极大值抑制（NMS）后处理即可直接生成预测结果。这一突破性方法最初由清华大学的王敖在YOLOv10中首创，并在YOLO26中得到了进一步发展。

这意味着推理过程更快、更轻便，也更容易部署到现实世界的系统中。

核心技术突破：四大创新设计

1. 彻底告别DFL模块

YOLO26完全移除了分布焦点损失（DFL）模块。虽然DFL有效，但它常常使导出复杂化并限制了硬件兼容性。这一简化大大扩展了对边缘和低功耗设备的支持。

2. 端到端无NMS推理

与依赖NMS作为单独后处理步骤的传统检测器不同，YOLO26直接生成最终预测结果。这消除了整个管道阶段，显著减少延迟，使部署更加稳健。

3. 全新的MuSGD优化器

YOLO26引入了MuSGD优化器，它是SGD和Muon的混合体，灵感来自Moonshot AI在LLM训练中取得的Kimi K2突破。这一创新将语言模型中的优化技术应用到了计算机视觉领域，带来更稳定的训练和更快的收敛速度。

4. 增强的损失函数

结合ProgLoss和STAL等改进的损失函数，YOLO26在检测精度上有所提高，尤其在小物体识别方面有显著改进。这对于物联网、机器人、航空图像和其他边缘应用至关重要。

移除分布焦点损失（DFL），简化预测流程 早期 YOLO 模型在训练过程中使用分布焦点损失（DFL）来提升边界框精度。尽管这一方法有效，但 DFL 增加了模型复杂度，且对回归范围设置了固定限制，给模型导出和部署带来挑战，尤其在边缘设备和低功耗硬件上表现更为明显。

YOLO26 完全移除了 DFL 模块。这一改动消除了早期模型中固定的边界框回归限制，提升了检测超大物体时的可靠性和准确性。通过简化边界框预测流程，YOLO26 更易于导出，且能在各类边缘设备和低功耗硬件上稳定运行。

端到端无 NMS 推理

传统目标检测流程依赖非极大值抑制（NMS）作为后处理步骤，用于过滤重叠预测结果。尽管 NMS 效果显著，但它会增加延迟和复杂度，且在多运行时环境和不同硬件目标上部署时容易出现不稳定问题。

YOLO26 引入原生端到端推理模式，模型可直接输出最终预测结果，无需将 NMS 作为独立的后处理步骤。重复预测的过滤的操作在网络内部完成。移除 NMS 不仅降低了延迟，简化了部署流程，还减少了集成错误的风险，使 YOLO26 特别适合实时部署和边缘部署场景。

渐进式损失平衡（ProgLoss）+ 小目标感知标签分配（STAL），提升识别能力

训练相关的关键特性是引入了渐进式损失平衡（ProgLoss）和小目标感知标签分配（STAL）。这些优化的损失函数有助于稳定训练过程，提升检测精度。

ProgLoss 让模型在训练过程中学习更稳定，减少了训练波动，使模型收敛更平稳。同时，STAL 则针对小目标进行了优化，改善模型在视觉信息有限情况下的学习效果。

ProgLoss 和 STAL 的结合实现了更可靠的检测效果，尤其在小目标识别方面有显著提升。这一点对于物联网（IoT）、机器人技术和航空影像等边缘应用至关重要，因为在这些场景中，物体往往体积小、距离远或部分可见。

MuSGD 优化器，实现更稳定的训练

YOLO26 采用了一种新的优化器 MuSGD，用于提升训练的稳定性和效率。MuSGD 将传统随机梯度下降（SGD）的优势，与源自大语言模型训练的 Muon 类优化思想相结合。

SGD 在计算机视觉领域长期被证明具有良好的泛化能力，而近年的大模型训练经验也表明，适当引入新的优化策略可以进一步提升稳定性和效率。MuSGD 将这些理念引入了计算机视觉领域。

受 Moonshot AI 的 Kimi K2 训练经验启发，MuSGD 融入了有助于模型更平稳收敛的优化策略。这使得 YOLO26 能够更快地达到出色性能，同时减少训练不稳定性，尤其在更大规模或更复杂的训练场景中效果显著。

MuSGD 让 YOLO26 在不同模型尺寸下的训练都更具可预测性，既提升了性能，又增强了训练稳定性。

CPU 推理速度提升高达 43%

随着 Vision AI 不断向数据产生端靠近，边缘性能的重要性持续提升。YOLO26 针对边缘计算场景进行了深度优化，在无 GPU 的条件下，CPU 推理速度最高提升可达 43%。

这一能力使实时视觉系统能够直接运行在摄像头、机器人和嵌入式硬件上，满足低延迟、高可靠性和成本受限的实际需求。

性能提升：数字说明一切

  根据官方公布的性能预览，YOLO26在标准CPU上的推理速度相比前代模型最高可提升43%。这一提升对于资源受限的环境来说是一个重大飞跃。

多任务支持：一站式的视觉AI解决方案，YOLO26延续了Ultralytics模型的多功能传统，支持广泛的计算机视觉任务：

• 目标检测：识别和定位图像或视频帧中的多个物体

• 实例分割：生成像素级完美的物体边界

• 图像分类：将整个图像归类到特定类别或标签

• 姿态估计：检测人体和其他物体的关键点及姿态

• 定向边界框（OBB）：检测任意角度的物体，特别适用于航拍和卫星图像

• 目标跟踪：跨视频帧或实时流跟踪物体

这种统一框架使YOLO26成为真正多功能的视觉AI解决方案，适用于从实时检测到分割、分类、姿态估计和定向物体检测的各种任务。

相对比热门模型：

维度	YOLOv11	YOLOv26	DEIMv2
核心目标	通用场景下精度与多任务平衡	边缘设备的高效推理与部署	高精度检测与特征表示
关键创新	C3K2与C2PSA模块	无NMS端到端设计、MuSGD优化器	DINOV3特征迁移、密集一对一匹配
精度表现	较YOLOv8提升2%-5%mAP	小目标AP提升5.1%	DEIMv2-X达57.8AP
推理速度	比yolov8快15-20%	cpu推理速度提升43%	未强调速度优势
部署复杂度	中等	低（无需NMS后处理）	中等
硬件适应性	边缘设备至GPU服务器	低功耗cpu至中端GPU	服务器至移动端全场景覆盖

• YOLOv11： 适用于需要平衡精度、速度与多任务支持的通用场景，如综合视觉分析系统。

• DEIMv2： 适用于对检测精度有严苛要求的专业场景，如自动驾驶、医疗影像等。

• YOLO26： Nano模型CPU 提升高达43%，是目前边缘计算和CPU部署领域中速度最快的高精度目标检测模型之一。所有计算机视觉任务均支持在统一框架内进行训练、验证、推理和导出，降低了部署学习门槛。

实际应用场景：从机器人到智能交通

YOLO26的轻量化和高精度特性，使其在多个行业展现巨大潜力：

1. 在机器人技术领域，YOLO26能帮助机器人实时解读周围环境，使导航更加顺畅，物体处理更加精确。在制造业中，它可以实现自动化缺陷检测，比人工检测更快、更准确地识别生产线上的缺陷。

2. 对智能交通系统而言，YOLO26能在低功耗硬件上实现实时监控与预警。而在无人机与遥感领域，通过OBB功能，它可以检测复杂角度的地面物体。

简单的YOLO26训练和推理示例

PyTorch pretrained *.pt 模型以及配置 *.yaml 文件可以传递给 YOLO() 类在 Python 中创建模型实例：
from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

部署灵活性：一次训练，随处部署

  YOLO26支持多种导出格式，包括TensorRT、ONNX、CoreML、TFLite和OpenVINO等。这种灵活的部署选项使YOLO26可以轻松集成到现有工作流程，并兼容几乎所有平台。

得益于简化的架构，YOLO26还完美支持INT8量化与FP16半精度推理，在保证精度的前提下进一步减小模型体积、提升速度。这意味着YOLO26不仅能在服务器集群中高速运行，也能在手持设备、智能相机等边缘环境中稳定工作。

YOLOE-26：开放词汇实例分割

YOLOE-26将高性能YOLO26架构与YOLOE系列的开放词汇能力相结合。它通过使用文本提示、视觉提示或无提示模式进行零样本推理，实现对任何目标类别的实时检测和分割，有效消除了固定类别训练的限制。

通过利用YOLO26的免NMS、端到端设计，YOLOE-26提供了快速的开放世界推理。这使其成为动态环境中边缘应用的强大解决方案，其中感兴趣的目标代表着广泛且不断演进的词汇。 YOLOE-26 支持基于文本和基于视觉的提示。使用提示非常简单——只需通过 predict 方法，如下所示：

文本提示允许您通过文本描述指定要 detect 的类别。以下代码展示了如何使用 YOLOE-26 来 detect 图像中的人物和公交车：


from ultralytics import YOLO

# Initialize model
model = YOLO("yoloe-26l-seg.pt")  # or select yoloe-26s/m-seg.pt for different sizes

# Set text prompt to detect person and bus. You only need to do this once after you load the model.
names = ["person", "bus"]
model.set_classes(names, model.get_text_pe(names))

# Run detection on the given image
results = model.predict("path/to/image.jpg")

# Show results
results[0].show()

何时可以体验YOLO26？

  现已将代码公布，可至文章开头连接转至官网，得对应代码工程使用

结语：视觉AI的未来之路

  YOLO26的发布标志着实时目标检测领域的又一个重要里程碑。通过端到端简化、架构优化和训练创新，YOLO26为计算机视觉带来了全新的速度与灵活性。

正如Glenn Jocher在YOLO Vision 2025大会上所言：“最大的挑战之一，就是在保持卓越性能的同时，让用户最大化利用YOLO26的简单性与高效性。”

随着边缘AI的快速发展，YOLO26的出现正当其时。它有望成为连接边缘AI与企业级系统的桥梁，推动计算机视觉技术走向更广泛的实际应用。

---

喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~ 关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

---

end

---

福利！！！本公众号为粉丝精心整理了超级全面的python学习、算法、人工智能等重磅干货资源，关注公众号即可免费领取！