Meet YOLO26: next-gen vision AI.

Link to this sectionYOLO26 vs YOLOv8：下一代目标检测的进步#

计算机视觉的发展始终致力于在不牺牲精度的前提下追求实时性能。当开发者和研究人员在现代 机器学习 的领域中探索时，选择合适的模型架构至关重要。这篇综合性技术对比探讨了从 Ultralytics YOLOv8 到最前沿的 Ultralytics YOLO26 的跨代飞跃。YOLOv8 是一款在 2023 年重新定义行业标准且广受欢迎的架构，而 YOLO26 则于 2026 年 1 月发布。

通过深入研究它们的架构、性能指标和训练方法，我们重点说明了为什么升级到最新的创新成果能为 目标检测、分割等任务提供显著优势。

Link to this section模型背景与元数据#

了解这些架构的起源为它们各自的突破提供了背景。这两个模型均由 Ultralytics 开发，该公司以让最先进的 AI 变得易于访问和部署而闻名。

YOLO26 详情：
作者：Glenn Jocher 和 Jing Qiu
组织：Ultralytics
日期：2026-01-14
GitHub: https://github.com/ultralytics/ultralytics
文档：https://docs.ultralytics.com/models/yolo26/

了解更多关于 YOLO26 的信息

YOLOv8 详情：
作者：Glenn Jocher、Ayush Chaurasia 和 Jing Qiu
组织：Ultralytics
日期：2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
文档：https://docs.ultralytics.com/models/yolov8/

了解更多关于 YOLOv8 的信息

Link to this section架构创新#

从 YOLOv8 到 YOLO26 的过渡，在神经网络如何处理视觉数据和计算损失方面引入了重大的范式转变。

Link to this sectionYOLO26：边缘效率的巅峰#

YOLO26 从零开始设计，旨在消除部署瓶颈并最大化受限硬件上的推理速度。

  • 端到端 NMS-Free 设计： YOLO26 基于 YOLOv10 率先提出的理念，原生采用了端到端架构。通过完全消除对非极大值抑制（NMS）后处理的需求，延迟波动几乎被根除。这简化了对于有严格实时性要求应用场景的部署逻辑。
  • DFL 移除： 移除分布式焦点损失（DFL）极大简化了输出头。这一架构选择使得模型与低功耗边缘设备具有更好的兼容性，并且能更简单地导出为 ONNX 和 CoreML 等格式。
  • MuSGD 优化器： 受 Moonshot AI 的 Kimi K2 等大型语言模型（LLMs）训练稳定性的启发，YOLO26 使用了 MuSGD 优化器——一种结合了随机梯度下降（SGD）和 Muon 的混合优化器。这为计算机视觉领域带来了 LLM 级别的训练创新，从而实现了更快的收敛和极其稳定的训练过程。
  • ProgLoss + STAL： 为了攻克识别微小目标这一公认难题，YOLO26 实现了渐进式损失（ProgLoss）结合尺度容差锚点损失（STAL）。这为 小目标检测 提供了关键改进，使其成为无人机应用的理想选择。
特定任务的优化

YOLO26 还在多个计算机视觉领域带来了针对性升级。它利用语义分割损失和多尺度原型来实现更好的 实例分割，使用残差对数似然估计（RLE）实现高精度的 姿态估计，并采用专门的角损失算法来解决 旋转目标检测（OBB） 中的边界问题。

Link to this sectionYOLOv8：功能极其全面的主力模型#

YOLOv8 于 2023 年发布时，通过完全转向无锚点设计设定了新标杆，该设计在不同数据集纵横比下具有更好的泛化能力。

  • C2f 模块： 它用 C2f 模块取代了旧的 C3 模块，从而允许网络主干中更顺畅的梯度流动。
  • 解耦头： YOLOv8 具有解耦头，其中分类和边界框回归是独立计算的，这显著提升了平均精度均值（mAP）。
  • 任务多功能性： 它是首批为 图像分类、检测、分割和姿态任务提供开箱即用、真正统一 API 的模型之一。

Link to this section性能指标与资源需求#

在评估生产环境模型时，准确性、推理速度和模型大小之间的平衡至关重要。YOLO26 在所有尺寸变体中都展示了显著的代际优势。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数量
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8

注：高亮数值展示了 YOLO26 架构相比前代产品的性能平衡与效率提升。

Link to this section分析#

与类似的 YOLOv8 模型相比，YOLO26 实现了最高 43% 的 CPU 推理提速。例如，YOLO26n 在 CPU 上利用 ONNX 可达到 38.9 毫秒，而 YOLOv8n 则为 80.4 毫秒，同时 mAP 从 37.3 提升至 40.9。这种 CPU 效率的巨大飞跃直接归功于 DFL 的移除和 NMS-free 设计，这使 YOLO26 成为在没有专用 GPU 的环境中使用的强劲动力引擎。

此外，YOLO26 模型在各自尺寸层级中具有更低的参数量和 FLOPs，与传统的基于 Transformer 的架构相比，这意味着在推理和训练过程中能显著减少 GPU 内存 的占用。

Link to this sectionUltralytics 生态系统优势#

选择 AI 模型时，一个主要的考虑因素是周围的生态系统。YOLO26 和 YOLOv8 都从统一的 Ultralytics Platform 中获益良多，提供了无与伦比的开发者体验。

  1. 易用性： “从零到英雄”的哲学确保开发者能够以最少的代码量加载、训练和导出模型。Python API 在不同模型代际间保持一致。
  2. 训练效率： 与 Transformer 模型（如 RT-DETR）相比，Ultralytics YOLO 模型在训练过程中所需的 CUDA 内存显著更低。这允许在消费级硬件上使用更大的批处理大小，让 AI 研究更加普及。
  3. 维护完善的生态系统： 在持续更新、严谨的 CI/CD 流水线以及与 Weights & Biases 和 TensorRT 等工具的深度集成支持下，Ultralytics 仓库功能强大且已为生产环境做好准备。
  4. 无与伦比的多功能性： Ultralytics 模型并非只有单一用途；单一导入即可处理各种数据集，从而为需要同时进行追踪、分类和分割的复杂系统优化工作流。
精简升级

由于 Ultralytics API 高度标准化，将生产系统从 YOLOv8 升级到 YOLO26 实际上只需将脚本中的字符串 "yolov8n.pt" 更改为 "yolo26n.pt" 即可。

Link to this section实际应用场景#

在这些模型之间进行选择通常取决于你的部署限制，尽管对于新项目，我们普遍推荐使用 YOLO26。

Link to this section边缘计算与物联网网络#

对于边缘环境——例如 Raspberry Pi 部署 或本地化的工厂车间传感器——YOLO26 是当之无愧的冠军。其原生优化的 CPU 速度和 NMS-free 结构意味着智能摄像头可以在不因后处理瓶颈而丢帧的情况下，处理用于 停车管理 的高帧率视频。

Link to this section高空与航空影像#

在 农业监测 或通过无人机进行基础设施检查时，小目标检测至关重要。YOLO26 中实现的 ProgLoss + STAL 使其能够持续检测到旧架构（如 YOLOv8）可能会遗漏的细小病虫害或管道微裂纹，在 VisDrone 等数据集上提供更出色的召回率和精确度。

Link to this section传统 GPU 系统#

YOLOv8 对于那些深度耦合其特定边界框回归输出的系统，或者处于延长验证周期且无法轻易迁移架构的企业部署来说，仍然具有相关性。

Link to this section应用场景与建议#

选择 YOLO26 还是 YOLOv8 取决于你的特定项目需求、部署限制和生态系统偏好。

Link to this section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： 具有挑战性的场景，如 aerial drone imagery 或 IoT 传感器分析，其中 ProgLoss 和 STAL 可显著提升对极小目标的检测精度。

Link to this section何时选择 YOLOv8#

YOLOv8 推荐用于：

  • 多任务部署： 需要在 Ultralytics 生态系统中进行检测、分割、分类和姿态估计的成熟模型项目。
  • 已建立的生产系统： 已经在 YOLOv8 架构上构建，并拥有稳定、经过良好测试的部署流水线的现有生产环境。
  • 广泛的社区和生态支持： 从 YOLOv8 丰富的教程、第三方集成和活跃的社区资源中受益的应用。

Link to this section代码示例：入门#

利用最新 Ultralytics 模型的功能非常简单。以下 Python 代码演示了如何在自定义数据集上训练 YOLO26 模型，并观察 MuSGD 优化器如何自动驱动快速收敛。

from ultralytics import YOLO

# Load the highly efficient YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train on the standard COCO8 dataset
# The ecosystem handles hyperparameter tuning and augmentations natively
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Automatically utilizes CUDA if available
)

# Run end-to-end, NMS-free inference on a source image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Visualize the resulting detections
predictions[0].show()

Link to this section其他值得考虑的模型#

虽然 YOLO26 代表了目前最先进的水平，但构建多样化应用的开发者也可以探索：

  • YOLO11：YOLO26 的直接前身，在 YOLOv8 的基础上提供了卓越的精简，目前仍广泛应用于尖端生产系统。
  • RT-DETR：百度的实时检测 Transformer。对于探索视觉任务中注意力机制的研究人员来说，这是一个极好的选择，尽管与标准 Ultralytics YOLO 模型相比，它在训练时需要消耗显著更多的 CUDA 内存。

如需使用全套云训练、数据集标注和即时部署工具，请立即探索 Ultralytics Platform。

贡献者
GLglenn-jocher5

评论