Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv7 与 YOLO26：实时目标检测的代际飞跃#

计算机视觉的演进历程中有着显著的里程碑，而将传统架构与现代最先进的模型进行对比，能为机器学习工程师提供宝贵的见解。本篇技术对比深入探讨了极具影响力的 YOLOv7 与革命性的 Ultralytics YOLO26 之间的差异，重点介绍了在架构、训练方法和部署效率方面的进展。

Link to this sectionYOLOv7：“免费赠品包”（Bag-of-Freebies）的先驱#

YOLOv7 于 2022 年年中推出，通过引入若干架构优化，在不增加推理成本的前提下提高了精度，从而拓展了 GPU 硬件性能的极限。

模型详情

YOLOv7 引入了可训练的“免费赠品包”概念，大量利用了重参数化技术和扩展高效层聚合网络（E-ELAN）。这使得模型能够在不破坏原始梯度路径的情况下学习更多样化的特征，并持续提高网络的学习能力。虽然它在当时取得了令人印象深刻的 COCO 基准测试成绩，但其架构仍然严重依赖基于锚点（anchor-based）的输出，并需要复杂的 非极大值抑制 (NMS) 后处理，这可能会在部署过程中引入延迟瓶颈。

了解更多关于 YOLOv7 的信息

Link to this sectionYOLO26：边缘优先的视觉 AI 标准#

Ultralytics YOLO26 于 2026 年 1 月发布，代表了范式的转变，它彻底重构了检测流程，将部署简易性、训练稳定性和硬件效率置于首位。

模型详情

YOLO26 从零开始构建，旨在解决现代工程挑战。其架构带来了多项显著超越前代产品的关键创新：

  • 端到端无 NMS 设计： YOLO26 原生消除了 NMS 后处理，这是 YOLOv10 首先开创的突破性方法。这带来了更快速、更简洁的部署流程，避免了复杂场景中通常产生的可变延迟。
  • DFL 移除： 通过移除分布焦点损失（DFL），该模型在导出方面得到了极大的简化，为边缘设备和低功耗物联网硬件提供了更好的兼容性。
  • CPU 推理速度提升高达 43%： 得益于架构简化和结构化剪枝，YOLO26 专为边缘计算和没有专用 GPU 的设备进行了优化，在标准处理器上可轻松超越旧架构。
  • MuSGD 优化器： 受大语言模型训练技术（特别是 Moonshot AI 的 Kimi K2）启发，YOLO26 使用了 MuSGD 优化器——这是一种 随机梯度下降 (SGD) 与 Muon 的混合体。这为计算机视觉任务带来了无与伦比的训练稳定性和更快的收敛速度。
  • ProgLoss + STAL： 这些先进损失函数的引入在小目标识别方面取得了显著改进，这对 航空影像、机器人技术和自动化质量检测至关重要。
  • 任务特定改进： 除了标准的 目标检测 外，YOLO26 还引入了多尺度原型（multi-scale proto）和专用的语义分割损失用于 分割任务，引入了残差对数似然估计（RLE）用于 姿态估计，并引入了专用的角度损失算法以解决 旋转边界框 (OBB) 中的边界问题。

了解更多关于 YOLO26 的信息

迁移至 YOLO26

从旧架构升级到 YOLO26 非常简单，只需在 Python 代码中将模型字符串更改为 yolo26n.pt。Ultralytics 软件包可处理整个迁移过程，包括自动权重下载和配置缩放。

Link to this section性能与指标对比#

在比较计算足迹时，YOLO26 在平衡性能和内存需求方面表现出了明显的优势。基于 Transformer 的模型或旧的繁重架构通常需要海量的 CUDA 内存分配，而 YOLO26 可以在消费级 GPU 上高效训练。

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)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
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

如上所示，YOLO26m 模型达到了与庞大的 YOLOv7x 同等的精度（53.1 mAP），但参数量不到其三分之一（20.4M 对比 71.3M），并通过 TensorRT 实现了极快的推理速度。

Link to this sectionUltralytics 生态系统优势#

部署旧版模型通常涉及与复杂的第三方仓库、依赖地狱和手动导出脚本进行斗争。相比之下，Ultralytics 平台 提供了一个维护良好、具有凝聚力的生态系统，简化了整个机器学习生命周期。

  • 易于使用： 借助直观的 Python API 和详尽的文档，你可以在几分钟内完成模型标注、训练和部署。导出到 ONNX 或 CoreML 等格式只需一行代码。
  • 内存需求： Ultralytics 模型以其低内存占用而闻名。与一些笨重的视觉 Transformer 不同，YOLO26 可以轻松地在标准硬件上进行微调，而不会出现内存不足 (OOM) 错误。
  • 多功能性： 虽然 YOLOv7 主要是一个目标检测器（尽管有一些针对其他任务的实验性分支），但 YOLO26 是一个原生的统一框架，能够同等出色地处理检测、分类、跟踪、姿态估计和 OBB 任务。
其他 Ultralytics 模型

虽然 YOLO26 是推荐标准，但迁移旧系统的开发者也可以探索 YOLO11，这是 Ultralytics 系列中另一个能力极强的代际产品，为长期支持项目提供了出色的稳定性。

Link to this section代码示例：训练与部署#

以下示例展示了 ultralytics 软件包的优雅简洁。请注意，与旧模型需要调用长命令行参数相比，该界面是多么整洁。

from ultralytics import YOLO

# Load the lightweight YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently on a dataset (e.g., COCO8)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # Efficient memory usage allows larger batch sizes
    device=0,
)

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

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

Link to this section实际应用场景#

选择合适的架构完全取决于你的生产约束。

何时考虑 YOLOv7： YOLOv7 仍然是针对 2022 年标准进行学术基准测试的宝贵工具。如果你的基础设施严重依赖硬编码到 YOLOv7 特定锚点输出的深度旧版 CUDA 管道，且无法分配资源进行重构，它将继续作为稳健的基准检测器发挥作用。

何时选择 YOLO26： 对于任何新项目，YOLO26 都是明确的选择。其无 NMS 的架构使其非常适合低延迟 自动导航 和实时安全系统。DFL 的移除和巨大的 CPU 速度提升使其成为边缘 AI 部署的无可争议的冠军，例如部署在 Raspberry Pi 或消费电子产品内部。此外，ProgLoss + STAL 的增强功能使其非常擅长检测制造质量保证或卫星影像中的微小异常。

最终，YOLO26 为开发者提供了精度、速度和简易性的无与伦比的融合，并由开源社区的全面支持作为后盾。

贡献者
GLglenn-jocher7

评论