端到端无 NMS 设计： YOLO26 提供原生端到端的一对一头 (nms=False)，无需进行非极大值抑制 (NMS) 后处理。这种突破性方法率先在 YOLOv10 中采用，可确保部署逻辑更快速、更简单，并大幅降低边缘芯片上的延迟波动。
移除 DFL： 移除分布焦点损失 (DFL) 后，YOLO26 简化了输出头，从而提升了与边缘计算和低功耗设备的兼容性。
MuSGD 优化器： 受 Moonshot AI 的 Kimi K2 等大语言模型创新的启发，YOLO26 采用 MuSGD 优化器——SGD 与 Muon 的混合方案。这比标准优化器能大幅提升训练稳定性并加快收敛速度。
ProgLoss + STAL： 引入渐进式损失 (ProgLoss) 并结合小目标感知标签分配 (STAL)，显著提升了小目标识别能力，这对于航空影像和机器人应用至关重要。

专业提示：无 NMS 部署

选用无 NMS 检测头（nms=False）后，整个模型便可作为单个连续计算图执行。这使得导出为 ONNX 或 TensorRT 等格式变得极其简单，并最大限度地提高 NPU/GPU 利用率。

性能指标与基准测试#

衡量任何目标检测模型的真正标准，在于其现实场景中的表现。下表比较了模型的准确率（以平均精度均值（mAP）衡量）、推理速度和计算需求。

模型	尺寸 ^(像素)	mAP^{验证集 50-95}	速度 ^{CPU ONNX (毫秒)}	速度 ^{T4 TensorRT10 （ms）}	参数 ^(M)	FLOPs ^(B)
EfficientDet-d0	640	34.6	10.2	3.92	3.9	2.54
EfficientDet-d1	640	40.5	13.5	7.31	6.6	6.1
EfficientDet-d2	640	43.0	17.7	10.92	8.1	11.0
EfficientDet-d3	640	47.5	28.0	19.59	12.0	24.9
EfficientDet-d4	640	49.7	42.8	33.55	20.7	55.2
EfficientDet-d5	640	51.5	72.5	67.86	33.7	130.0
EfficientDet-d6	640	52.6	92.8	89.29	51.9	226.0
EfficientDet-d7	640	53.7	122.0	128.07	51.9	325.0

YOLO26n	640	40.9	38.9	1.7	2.4	5.5
YOLO26s	640	48.6	87.2	2.5	9.5	20.9
YOLO26m	640	53.1	220.0	4.7	20.4	68.4
YOLO26l	640	55.0	286.2	6.2	24.8	86.8
YOLO26x	640	57.5	525.8	11.8	55.7	194.4

如上所示，YOLO26 在性能平衡方面显著优于其他模型。较早的架构有时理论 FLOPs 较低，而 YOLO26 通过优化内存访问模式，实现了显著更快的 GPU 推理。例如，YOLO26x 的 mAP 高达 57.5，且在 TensorRT 硬件上的运行速度比同级 EfficientDet-d7 快 10 倍以上。此外，与旧版 YOLO 变体相比，YOLO26 的优化可将 CPU 推理速度提高多达 43%，使其成为边缘 AI 的首选。

Ultralytics 生态系统的优势#

选择架构很少只取决于理论 FLOPs；它很大程度上取决于工程工作流程。开发者经常青睐 Ultralytics，因为它拥有无可匹敌的易用性。

训练 EfficientDet 通常需要复杂的依赖管理、手动调节超参数，以及旧版 TensorFlow 环境。相比之下，Ultralytics 模型提供了简洁优雅的 API。这种流畅的体验也延伸到了 Ultralytics Platform，该平台开箱即用地处理云端训练、数据标注和实时实验跟踪。

此外，基于 Transformer 的检测器和复杂的 AutoML 模型往往会消耗大量内存。Ultralytics 模型以内存需求极低而著称，因此你可以在消费级硬件上训练稳健的模型，而不会遇到内存不足（OOM）错误。

多功能性与任务支持#

EfficientDet 只是一个目标检测网络。YOLO26 则是一个统一的多任务学习器，原生集成了架构中的任务专属创新：

语义分割损失和多尺度原型结构，让实例分割效果出色。
残差对数似然估计（RLE），大幅提升姿态估计准确率。
专用角度损失计算方法，用于解决有向边界框（OBB）中的边界问题。

旧版支持

如果你在维护旧系统，Ultralytics 仍通过完全相同的 API 全面支持 YOLO11 和更早的版本。不过，对于所有新项目，YOLO26 都能提供最佳的资源与准确率收益。

用例与建议#

在 EfficientDet 和 YOLO26 之间做选择，取决于你的具体项目需求、部署限制和生态偏好。

何时选择 EfficientDet#

以下情况适合选择 EfficientDet：

Google Cloud 和 TPU 流水线：与 Google Cloud Vision API 或 TPU 基础设施深度集成，且 EfficientDet 能进行原生优化的系统。
复合缩放研究：侧重研究网络深度、宽度和分辨率平衡缩放效果的学术基准测试。
通过 LiteRT 进行移动端部署：需要导出为 LiteRT（原名 TensorFlow Lite），以用于 Android 或嵌入式 Linux 设备的项目。

何时选择 YOLO26#

以下场景推荐使用 YOLO26：

无 NMS 的边缘部署：适用于要求推理延迟稳定且较低，同时不希望增加非极大值抑制后处理复杂度的应用。
仅使用 CPU 的环境：适用于没有专用 GPU 加速的设备，此时 YOLO26 的 CPU 推理速度最高提升 43%，可带来显著优势。
小目标检测：适用于无人机航拍影像等具有挑战性的场景，或 IoT 传感器分析等需要 ProgLoss 和 STAL 大幅提升微小目标准确率的场景。

实现示例：训练 YOLO26#

借助 Ultralytics Python SDK，只需几行代码就能启动高度优化的训练任务。该框架原生支持混合精度缩放、通过 PyTorch 实现的多 GPU 编排，以及数据增强流水线。

from ultralytics import YOLO

# Load the lightweight, end-to-end YOLO26n model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Train on the first CUDA GPU
)

# Export the NMS-free end-to-end head to ONNX
exported_path = model.export(format="onnx", nms=False)
print(f"Model seamlessly exported to: {exported_path}")

结论：你应该选择哪个模型？#

比较 EfficientDet 和 YOLO26 时，行业发展趋势一目了然。EfficientDet 仍是复合缩放研究中一个重要的历史性里程碑。不过，无论是部署在云集群还是资源受限的 Raspberry Pi 设备上，现代应用的选择都明显倾向于 Ultralytics。

YOLO26 消除了 NMS、针对大幅降低 VRAM 占用进行了优化，并依托一流的开发者生态系统提供技术支持，因此无疑是构建稳健、可用于生产环境的计算机视觉系统的推荐架构。无论你是在检测制造缺陷，还是绘制农业产量图，Ultralytics Platform 都能帮助你以无与伦比的速度和准确率，从数据集走向部署。

贡献者

GLglenn-jocher¹¹ PDpderrenger¹

创建时间 2026年1月14日更新时间上周

Get Started

EfficientDet 与 YOLO26#

模型沿革与作者#

架构创新#