---

YOLO26论文

YOLO26 基础概况

Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

• 简洁性： YOLO26 是一个原生端到端模型，直接生成预测，而无需非极大值抑制 (NMS)。通过消除此后处理步骤，推理变得更快、更轻，并且更易于在实际系统中部署。清华大学的 Ao Wang 在 YOLOv10 中首次开创了这种突破性方法，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 ——受 Moonshot AI 的 Kimi K2 在 LLM 训练方面的突破启发。该优化器带来了增强的稳定性和更快的收敛速度，从而将语言模型的优化进展转移到计算机视觉中。
  这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。
  

---

一、YOLO发展背景

早期 YOLO 版本（2016-2022）：

• YOLOv1（2016）：由 Joseph Redmon 提出，首次将目标检测定义为 “单阶段回归问题”，实现实时推理，但小目标检测能力弱。
• YOLOv2（2017）：引入批量归一化、锚框（Anchor Boxes）、多尺度训练，提升不同尺寸目标检测鲁棒性。
• YOLOv3（2018）：采用 Darknet-53 深层架构，结合多尺度特征图，成为后续数年学术与工业界 “默认标准”。
• YOLOv4（2020）：集成 CSPNet、Mish 激活函数、马赛克数据增强、CIoU 损失，进一步提升精度。
• YOLOv5（2020）：Ultralytics 推出（非官方版本），基于 PyTorch 实现，支持模块化设计，简化分割、边缘部署。
• YOLOv6/7（2022）：融入 Transformer 启发模块、参数高效优化，接近 SOTA 精度的同时保留实时性。

近期 YOLO 版本（2023-2025，YOLO26 前身）：

• YOLOv8（2023）：解耦检测头、无锚框预测，支持 TensorRT/CoreML 导出，提供 nano/small 等多尺度变体，广泛应用于工业界。
• YOLOv9（2023）：引入 GELAN（通用高效层聚合网络）与渐进式蒸馏，平衡效率与表征能力。
• YOLOv10（2024）：通过混合任务对齐分配，优化精度与推理延迟的平衡。
• YOLOv11（2024）：提升 GPU 效率，同时保留小目标检测性能，巩固 Ultralytics “生产级模型” 定位。
• YOLOv12/13（2025）：采用注意力中心化设计、超图增强视觉感知，但仍依赖 NMS 和 DFL，导致边缘设备部署 latency 高、兼容性差，成为 YOLO26 的改进靶点。

二、YOLO26核心架构改进

1. 移除 DFL（Distribution Focal Loss，分布焦点损失）

背景：DFL 用于提升边界框回归精度（预测坐标概率分布），但存在计算开销大、导出困难问题，需针对 ONNX/TensorRT 等格式自定义处理。

改进效果：

• 简化边界框回归为 “直接回归任务”，无需概率分布计算；
• 与 ProgLoss、STAL 结合，精度持平或超越 DFL-based 模型（如
  YOLOv12/13）；
• 提升跨平台兼容性，消除导出瓶颈，适配边缘硬件。

2. 端到端无 NMS（Non-Maximum Suppression）推理

背景：传统 YOLO（v8-v13）依赖 NMS 过滤重复预测框，需手动调优 IoU 阈值，增加后处理 latency 与部署脆弱性。
改进效果：

• 重新设计预测头，直接输出 “无冗余边界框”，无需后处理；
• CPU 推理速度最高提升43%（nano 模型），latency 低于 YOLOv11/12；
• 无需 NMS 代码，提升可重复性与部署便携性，为 YOLO 家族首次采用该范式。

3. 引入 ProgLoss 与 STAL（小目标优化双策略）

• ProgLoss（渐进式损失平衡）：
  核心功能：训练中动态调整不同损失分量权重
  解决问题：避免对优势类别过拟合，防止后期训练不稳定

• STAL（小目标感知标签分配）：
  核心功能：优先为小目标分配标签（小目标像素少、易遮挡，传统分配易被忽略）
  解决问题：提升 COCO、UAV 图像等数据集中小 / 遮挡目标精度

• 对比优势：相较于 YOLOv8/11 的 “依赖数据增强”、YOLOv12/13 的 “注意力模块增复杂度”，ProgLoss+STAL 以轻量化方式实现精度提升，适配边缘设备。

4. 采用 MuSGD 优化器（训练效率提升）

设计逻辑：融合SGD（随机梯度下降） 的鲁棒性 / 泛化能力与Muon 优化器的自适应性，灵感来源于大语言模型训练（如 Moonshot AI 的 Kimi K2）.

改进效果：

• 减少训练轮次：达到同等精度所需 epoch 更少，降低计算成本；
• 提升收敛稳定性：避免 YOLOv8-v13 中 SGD/AdamW 的 “需大量超参调优”“收敛波动” 问题；
• 简化开发流程：减少训练重启次数，性能预测更可控。

三、支持的任务和模式

YOLO26 被设计为一个多任务模型系列，将 YOLO 的多功能性扩展到各种计算机视觉挑战中：

这种统一的框架确保 YOLO26 适用于实时检测、分割、分类、姿势估计和定向对象检测，所有这些都支持训练、验证、推理和导出。

四、部署优势与行业应用

1. 多格式无缝导出：支持 ONNX（跨平台）、TensorRT（GPU 加速）、CoreML（iOS）、TFLite（Android /
   边缘）、OpenVINO（Intel 硬件），无需自定义转换脚本；
2. 资源约束适配：可部署于无独立 GPU 的设备（如 ARM CPU 智能相机、Qualcomm Snapdragon AI
   加速器），INT8 量化后模型大小缩减 75%；
3. 低部署门槛：Ultralytics 提供 Python 包，统一训练、验证、导出流程，降低工程师技术成本。

---