Ultralytics YOLO26

Q: What tasks will YOLO26 support?

YOLO26 被设计为一个统一的模型系列，为多个计算机视觉任务提供端到端支持：每个尺寸变体（n、s、m、l、x）都计划在发布时支持所有任务。

Q: Why is YOLO26 optimized for edge deployment?

YOLO26 提供了最先进的边缘性能，具有以下特点：

Q: When will YOLO26 models be available?

YOLO26 模型仍在训练中，尚未开源。此处显示的是性能预览，官方下载和发布计划在不久的将来推出。 请参阅 YOLO Vision 2025 了解 YOLO26 的相关讨论。

即将推出 ⚠️

🚧 YOLO26 模型仍在开发中，尚未发布。此处显示的的性能数据仅为预览。最终下载和发布即将推出 —— 请通过 YOLO Vision 2025 保持关注。

概述

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。

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。

Ultralytics YOLO26 比较图

主要功能

DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽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。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。
ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。
MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。
CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。

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：

模型	任务	推理	验证	训练	导出
YOLO26	检测	✅	✅	✅	✅
YOLO26-seg	实例分割	✅	✅	✅	✅
YOLO26-姿势估计	姿势/关键点	✅	✅	✅	✅
YOLO26-obb	定向检测	✅	✅	✅	✅
YOLO26-cls	分类	✅	✅	✅	✅

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。

性能指标

性能预览

以下基准是早期预览。最终数据和可下载的权重将在训练完成后发布。

检测 (COCO)分割 (COCO)分类 (ImageNet)姿势估计 (COCO)旋转框检测 (DOTAv1)

在 COCO 上训练，包含 80 个预训练类别。有关模型发布后的用法，请参阅检测文档。

模型	尺寸 ^(像素)	mAP^{val 50-95(e2e)}	mAP^val 50-95	速度 ^{CPU ONNX (毫秒)}	速度 ^{T4 TensorRT10 (毫秒)}	参数 ^(M)	FLOPs ^(B)
YOLO26n	640	39.8	40.3	38.90 ± 0.7	1.7 ± 0.0	2.4	5.4
YOLO26s	640	47.2	47.6	87.16 ± 0.9	2.7 ± 0.0	9.5	20.7
YOLO26m	640	51.5	51.7	220.0 ± 1.4	4.9 ± 0.1	20.4	68.2
YOLO26l	640	53.0*	53.4*	286.17 ± 2.0*	6.5 ± 0.2*	24.8	86.4
YOLO26x	640	-	-	-	-	-	-

*YOLO26l 和 YOLO26x 的指标正在进行中。最终基准将在此处添加。

性能指标即将推出。

引用和致谢

Ultralytics YOLO26 发布

由于模型快速发展的特性，Ultralytics 尚未发布 YOLO26 的正式研究论文。相反，我们专注于提供最先进的模型并使其易于使用。有关 YOLO 功能、架构和用法的最新更新，请访问我们的 GitHub 存储库和文档。

如果您在工作中使用 YOLO26 或其他 Ultralytics 软件，请引用它：

BibTeX

@software{yolo26_ultralytics,
  author = {Glenn Jocher and Jing Qiu},
  title = {Ultralytics YOLO26},
  version = {26.0.0},
  year = {2025},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

DOI 待定。YOLO26 在 AGPL-3.0 和 Enterprise 许可下可用。

常见问题

与 YOLO11 相比，YOLO26 的主要改进是什么？

DFL 移除：简化导出并扩展边缘兼容性
端到端无NMS推理: 消除NMS，实现更快、更简单的部署
ProgLoss + STAL：提高准确性，尤其是在小物体上
MuSGD Optimizer：结合 SGD 和 Muon（灵感来自 Moonshot 的 Kimi K2），实现更稳定、高效的训练
CPU 推理速度提高高达 43%：CPU 设备的主要性能提升

YOLO26 将支持哪些任务？

YOLO26 被设计为一个 统一模型系列，为多个计算机视觉任务提供端到端支持：

每个尺寸变体（n、s、m、l、x）都计划在发布时支持所有任务。

为什么 YOLO26 针对边缘部署进行了优化？

YOLO26 提供 最先进的边缘性能，具有：

CPU 推理速度提高高达 43%
减小的模型尺寸和内存占用
为兼容性简化的架构（无 DFL，无 NMS）
灵活的导出格式，包括 TensorRT、ONNX、CoreML、TFLite 和 OpenVINO

YOLO26 模型何时可用？

YOLO26 模型仍在训练中，尚未开源。此处显示了性能预览，官方下载和发布计划在不久的将来进行。请参阅 YOLO Vision 2025 以了解 YOLO26 的讨论。

📅创建于2个月前 ✏️更新于4天前