YOLO26 与 YOLOv10#

计算机视觉领域在不断演进，这得益于对更快速、更准确和更高效模型的需求。本指南对实时目标检测领域中两个开创性的架构：YOLO26 和 YOLOv10 进行了全面的技术对比。通过分析它们的架构、性能指标和部署能力，我们旨在帮助开发者和研究人员为他们的视觉应用选择最优模型。

无 NMS 架构的演进#

多年来，YOLO 家族在很大程度上依赖 Non-Maximum Suppression (NMS) 在后处理期间过滤掉冗余的边界框。尽管 NMS 很有效，但它引入了推理延迟，并使部署在诸如 Raspberry Pi 或专用神经处理单元 (NPUs) 等边缘设备上的工作变得复杂。

YOLOv10 的推出代表了范式的转变，它率先实现了端到端的无 NMS 设计。在这一基础性突破之上，Ultralytics YOLO26 为生产环境优化了架构，在更广泛的任务中实现了前所未有的效率和易用性。

YOLOv10：无 NMS 检测的先驱#

日期： 2024-05-23
作者： Ao Wang, Hui Chen, Lihao Liu 等
机构： Tsinghua University
资源： ArXiv Paper | GitHub Repository

由清华大学研究人员开发的 YOLOv10 引入了一种一致的双重分配策略，以消灭对 NMS 的需求。通过采用整体效率与准确性驱动的模型设计，它在保持强大 mAP (mean Average Precision) 的同时减少了计算冗余。

优势：

• 无 NMS 架构： YOLO 系列中无 NMS 设计的最初开拓者，显著降低了实时应用的延迟。
• 效率： 与前几代模型相比，在参数量和推理速度之间提供了极佳的平衡。

劣势：

• 任务支持有限： 主要专注于标准目标检测，缺乏对分割或姿态估计等高级任务的原生开箱即用支持。
• 学术侧重： 代码库虽然稳健，但更倾向于研究而非精简、企业级的生产部署。

了解更多关于 YOLOv10 的信息

YOLO26：边缘和云端的新标准#

日期： 2026-01-14
作者： Glenn Jocher 和 Jing Qiu
机构： Ultralytics
资源： GitHub Repository | Ultralytics Platform

作为 YOLO11 的继承者发布，YOLO26 将无 NMS 的概念推向了极致。它将端到端检测原生集成到高度优化的 Ultralytics Platform 中，为现代机器学习流水线提供了一套完整的工具。

YOLO26 引入了几项架构突破：

• 移除 DFL： 分布式焦点损失 (Distribution Focal Loss) 已被完全移除。这极大地简化了模型导出流程，并提高了与边缘和低功耗设备的兼容性。
• CPU 推理速度提升高达 43%： 得益于 DFL 的移除和结构优化，YOLO26 在 CPU 上的运行速度显著加快，使其成为物联网和移动部署的理想选择。
• MuSGD 优化器： 受大语言模型 (LLM) 训练技术（如 Moonshot AI 的 Kimi K2）启发，YOLO26 采用了 SGD 和 Muon 的混合体。这为计算机视觉带来了前所未有的训练稳定性和更快的收敛速度。
• ProgLoss + STAL： 这些先进的损失函数在小目标识别方面带来了显著改进，这对于航空影像和基于无人机的安全监控至关重要。
• 特定任务的改进： YOLO26 不仅仅是一个检测器。它具有用于分割的语义分割损失和多尺度 proto、用于姿态估计的残余对数似然估计 (RLE)，以及用于旋转边界框 (OBB) 的专用角度损失。

了解更多关于 YOLO26 的信息

性能分析与指标#

下表对比了 YOLO26 和 YOLOv10 模型在 COCO 上的检测性能。注意 YOLO26 是如何在保持卓越参数效率的同时实现更高准确度的。

Ultralytics 的优势：训练与内存效率#

在将模型部署到生产环境中时，内存需求和训练效率与推理速度同样关键。Ultralytics 模型（尤其是 YOLO26）经过高度优化，可减少训练过程中的 CUDA 内存使用量。这使开发者能够在消费级 GPU 上使用更大的批大小，从而大幅缩短训练时间和计算成本。相反，复杂的架构或像 RT-DETR 这样繁重的 transformer 模型通常需要昂贵的高端硬件才能进行有效训练。

实际实施：代码示例#

Ultralytics 的标志是其行业领先的易用性。凭借直观的 Python API，从像 YOLOv8 这样的传统模型迁移到最先进的 YOLO26 只需要更新单行代码。

这是一个 100% 可运行的示例，演示了如何使用 YOLO26 进行训练和推理：

from ultralytics import YOLO

# 1. Load the state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# 2. Train the model on the COCO8 dataset efficiently
# The MuSGD optimizer and efficient memory management are handled automatically
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Easily switch to 0 for GPU
)

# 3. Perform NMS-free inference on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# 4. Display the results to screen
predictions[0].show()

# 5. Export to ONNX for simplified edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to {export_path}")

应用场景与建议#

在 YOLO26 和 YOLOv10 之间进行选择，取决于你的具体项目需求、部署限制和对生态系统的偏好。

何时选择 YOLO26#

YOLO26 是以下场景的有力选择：

• 无 NMS 的边缘部署： 需要一致、低延迟推理且无需复杂非极大值抑制后处理的应用。
• 仅 CPU 环境： 没有专用 GPU 加速的设备，YOLO26 带来的高达 43% 的 CPU 推理提速可提供决定性优势。
• 小目标检测： 诸如航拍无人机图像或物联网传感器分析等具有挑战性的场景，其中 ProgLoss 和 STAL 显著提高了微小目标的准确率。

何时选择 YOLOv10#

推荐使用 YOLOv10 的情况：

• 无需 NMS 的实时检测： 得益于无需非极大值抑制（Non-Maximum Suppression）的端到端检测，能够降低部署复杂性的应用。
• 平衡的速度与精度权衡： 需要在推理速度和检测精度之间取得良好平衡的各类项目，适用于多种模型规模。
• 一致延迟的应用： 预测推理时间至关重要的部署场景，例如机器人技术或自主系统。

结论#

虽然 YOLOv10 通过引入无 NMS 范式为学术界做出了重大贡献，但 YOLO26 将这项技术提升到了企业级就绪水平。凭借其 CPU 速度 43% 的惊人提升、创新的 MuSGD 优化器以及在视觉任务中无与伦比的多功能性，YOLO26 脱颖而出，成为边缘计算和大规模云部署的终极选择。

对于优先考虑活跃社区、全面文档以及顺畅开发者体验的团队来说，Ultralytics 生态系统是无与伦比的。如果你正在探索针对特殊场景的模型，你可能还想研究用于零样本开放词汇检测的 YOLO-World。然而，对于绝大多数现实世界的用例，YOLO26 是绝对的推荐。