YOLO26 与 YOLOv9：开启下一代实时视觉 AI
随着计算机视觉领域的加速发展，开发人员和研究人员不断寻求在速度、精度和部署便捷性之间实现完美平衡的模型。本技术分析将 Ultralytics 最新的统一模型家族 YOLO26 与专注于可编程梯度信息（PGI）的社区驱动模型 YOLOv9 进行比较。通过检查它们的架构、性能指标和理想用例，我们旨在指导您为您的机器学习项目找到最佳解决方案。
执行摘要
尽管这两种模型都推动了目标 detect的边界，但 YOLO26 在生产就绪性和生态系统集成方面迈出了重要一步。它引入了原生的端到端（NMS-free）架构，极大地简化了部署流程，并针对边缘设备进行了专门优化，可实现高达 43% 更快的 CPU 推理速度。YOLOv9 于 2024 年初发布，引入了可编程梯度信息（PGI）等新颖概念以提高训练稳定性，但它仍然是一个更传统的基于锚点的 detect 器，需要 NMS。
模型详细分析
Ultralytics YOLO26
作者：Glenn Jocher 和 Jing Qiu
组织：Ultralytics
日期：2026-01-14
链接：GitHub | 文档
YOLO26 不仅被设计为一个模型，更是一个完整的生态系统解决方案。它放弃了传统的锚点和非极大值抑制（NMS），转而采用流线型的端到端架构。这种设计选择消除了通常隐藏在后处理步骤中的延迟，使其成为自动驾驶汽车和机器人等实时应用的理想选择。
关键的架构创新包括移除了分布焦点损失（DFL），这简化了向 TensorRT 和 CoreML 等格式的导出。训练稳定性通过 MuSGD 优化器得到增强，它是 SGD 和 Muon（灵感来自月之暗面 Kimi K2）的混合体，将大型语言模型的训练创新引入了视觉领域。此外，ProgLoss 和 STAL（软目标锚点损失）的引入显著改善了小目标的 detect 能力，这是航空影像和物联网设备的关键能力。
YOLOv9
作者：Chien-Yao Wang 和 Hong-Yuan Mark Liao
组织：台湾中央研究院信息科学研究所
日期：2024-02-21
链接：Arxiv | GitHub | 文档
YOLOv9 专注于深度学习理论，特别是解决了深度网络中的“信息瓶颈”问题。它的核心贡献是可编程梯度信息（PGI），它有助于在输入数据通过深层时保留其信息，以及广义高效层聚合网络（GELAN）。这些特性使 YOLOv9 能够实现令人印象深刻的参数效率。然而，作为一个传统的基于锚点的模型，它仍然依赖 NMS 进行最终预测，这与端到端解决方案相比，可能会使在受限硬件上的部署复杂化。
性能指标比较
下表突出了 COCO 验证数据集上的性能差异。YOLO26 展示了卓越的效率，尤其是在 CPU 速度方面，同时保持了具有竞争力或更优的精度。
| 模型 | 尺寸 (像素) | mAPval 50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (毫秒) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
主要技术差异
1. 架构和推理流程
YOLO26 的NMS-free 设计是一项范式转变。通过训练模型原生生成一对一的预测，推理流程变为简单的正向传播。这消除了启发式的 NMS 步骤，该步骤通常难以在 FPGA 或 NPU 等边缘 AI 设备上进行优化。相反，YOLOv9 依赖于传统的“预测-然后-抑制”方法，这需要仔细调整 IoU 阈值并在推理过程中增加计算开销。
2. 训练稳定性与收敛性
YOLO26 中的MuSGD 优化器代表了一种现代的训练动态方法。通过将 SGD 与 Muon 混合，YOLO26 比前几代模型更快地实现稳定收敛。这在自定义数据集上进行训练时尤其有利，因为超参数调优可能需要大量资源。YOLOv9 使用 PGI 辅助监督，这在理论上是稳健的，但可能会增加训练图的复杂性以及反向传播阶段的内存使用。
3. 边缘和 CPU 优化
YOLO26 的一个突出特点是其高达 43% 更快的 CPU 推理速度。这是通过专门针对没有强大 GPU 的设备（例如 Raspberry Pi 或基本云实例）优化架构来实现的。移除 DFL（分布焦点损失）进一步减少了每个 detect 头所需的数学运算。YOLOv9 虽然通过 GELAN 实现了参数高效，但没有这些特定的以 CPU 为中心的优化，这使得 YOLO26 成为在边缘设备上部署的明显赢家。
使用 Ultralytics 简化导出
YOLO26 模型可以通过单个命令导出为 ONNX、TensorRT 和 OpenVINO 等格式，自动处理 NMS-free 结构以实现无缝集成。
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.export(format="onnx") # Exports directly without NMS plugins
生态系统与易用性
字段 Ultralytics生态系统 是一个显著的差异化优势。YOLO26 完全集成到 ultralytics Python 包中，提供标准化的 API 用于训练、验证和部署。
- 简洁性： 开发者可以在不同任务之间切换，例如 姿势估计 或 旋转框检测 (OBB) 仅通过更改模型权重文件（例如，
yolo26n-pose.pt或yolo26n-obb.pt)。YOLOv9 主要是一个目标检测模型，对这些专业任务的原生支持较少。 - 支持： Ultralytics 提供详尽的文档、活跃的社区论坛以及企业支持选项。这确保了开发者不会因实现细节而受阻。
- 多功能性： 除了检测之外，YOLO26 还提供针对特定任务的改进，例如用于姿势估计的残差对数似然估计 (RLE) 以及用于旋转框检测 (OBB) 的专用角度损失，确保在各种应用中实现高准确性。
用例推荐
选择 YOLO26 的理由：
- 您需要同类最快的 CPU 推理，或者正在部署到边缘设备（如树莓派、Jetson Nano、移动设备）。
- 您的管道受益于免 NMS 输出，从而简化了后处理逻辑。
- 您需要在单个统一框架内支持segment、姿势估计或分类。
- 您优先考虑一个文档完善、活跃的生态系统，并包含用于数据集分析的Ultralytics Explorer等工具。
- 您正在进行小目标检测，其中 ProgLoss + STAL 提供了显著优势。
如果满足以下条件，请选择 YOLOv9：
- 您正在进行学术研究，特别关注可编程梯度信息或辅助监督技术。
- 您的遗留基础设施与基于锚点的后处理管道紧密耦合，难以迁移。
结论
尽管 YOLOv9 在 2024 年引入了重要的理论进展，但YOLO26 将这些概念提炼成一个强大且可用于生产的工具，适用于 2026 年及以后。凭借其端到端设计、显著的 CPU 加速以及对多种视觉任务的强大支持，YOLO26 为实际 AI 应用提供了更通用、更具前瞻性的解决方案。无论您是构建智慧城市基础设施、农业监测系统还是先进机器人技术，YOLO26 都能提供成功所需的性能和可靠性。
对于那些有兴趣探索以前最先进模型的人，YOLO11 和 YOLOv8 文档提供了关于 YOLO 家族演变的额外背景信息。