Ultralytics YOLO27：
Get Started

了解 Ultralytics YOLO26 的端到端检测#

YOLO26 同时训练 one-to-many 头和 one-to-one 头。默认情况下，预测和验证使用 one-to-many 头，并执行非极大值抑制（NMS）。这样可以在使用相同训练权重的同时提高准确率。将 nms=False 设为使用速度更快、无需 NMS 的 one-to-one 头。

一个参数即可控制预测、验证、跟踪、导出和基准测试所使用的路径：

nms预测和验证导出
None（默认）One-to-many 头；Ultralytics 执行 NMS原始 one-to-many 输出；由调用方执行 NMS
True与 None 相同支持时使用内嵌 NMS 的 one-to-many 头
False不进行 IoU 抑制的 one-to-one 头支持时输出无需 NMS 的 one-to-one 结果

None 表示模型中没有嵌入可选的后处理。它不会移除将模型输出转换为预测结果或验证指标的常规处理。分类、语义分割、深度估计以及没有可选检测头的模型，仍会采用各自任务的原生行为。

选择输出路径
from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.predict("image.jpg")  # one-to-many + NMS
metrics = model.val(data="coco.yaml")  # one-to-many + NMS
results = model.predict("image.jpg", nms=False)  # 选择使用无 NMS 推理
results = model.predict("image.jpg", nms=None)  # 切回 one-to-many + NMS

model.export(format="onnx")  # 原始 one-to-many 输出
model.export(format="onnx", nms=True)  # 嵌入 NMS
model.export(format="onnx", nms=False)  # 无需 NMS 的 one-to-one 输出

端到端检测的工作原理#

两个检测头共享骨干网络和颈部网络，并在训练期间共同优化。one-to-many 头为每个目标提供多个候选预测；NMS 会移除重叠的检测结果。one-to-one 头则学习为每个目标生成单个预测。选择推理路径不会禁用双头监督。训练期间的验证会使用所选推理头，因此检查点选择和提前停止依据的预测结果与部署时相同。

深度头外部处理前的检测输出处理
One-to-many（默认）(N, nc + 4, 8400)置信度筛选和 NMS
One-to-one(N, 300, 6)置信度筛选；不进行 IoU 抑制

这里，N 表示批次大小，nc 表示类别数，而 8400 是 imgsz=640 时的候选数量。One-to-one 检测行包含 [x1, y1, x2, y2, confidence, class_id]。其他检测任务还包含额外输出：

任务端到端输出额外数据
检测(N, 300, 6)—
实例分割(N, 300, 6 + nm) 和 (N, nm, H, W)掩码系数和原型
姿态(N, 300, 57)17 个关键点 × 3 个值
OBB(N, 300, 7)旋转角度

融合会移除未使用的推理分支，并折叠 Conv 和 BatchNorm 层。如果你需要切换检测头，请保留原始训练检查点：分支一旦移除，就无法通过融合还原。仅保留单对一检测头的模型仍可使用该路径。

导出输出#

YOLOv8、YOLO11 和 YOLO26 检测模型默认导出原始的一对多预测。使用 nms=False 导出 YOLO26，可获得无需 NMS 的检测结果。

nms=Nonenms=False
检测输出(N, nc + 4, 8400)(N, 300, 6)
边界框格式xywhxyxy
分数每个候选框对应每个类别的一个分数每个检测结果对应一个置信度和类别 ID
外部处理置信度筛选和 NMS置信度筛选

nms=True 也会生成经过处理的检测结果，但使用一对多检测头并嵌入传统 NMS。如果你希望部署运行时直接接收检测结果，而无需自行实现抑制操作，这种方式就很有用。

导出模型的计算图决定了模型的输出。加载模型时传入 nms 不会重建计算图；要选择输出路径，请使用所需的 nms 值导出源检查点。Ultralytics 会使用模型制品的元数据，避免重复应用 NMS。

导出格式兼容性#

ONNX、TensorRT、CoreML、OpenVINO 等多种格式都支持无 NMS 导出。如果格式的算子无法支持端到端输出，NCNN、RKNN、PaddlePaddle、ExecuTorch、IMX、Edge TPU 和 Qualcomm QNN 会回退到一对多路径。格式警告会说明回退原因。

  • 内嵌 NMS： nms=True 受各格式的任务、精度和动态形状限制。不支持内嵌 NMS 的格式会导出原生输出，以便进行外部处理。
  • CoreML： 内嵌 NMS 支持静态形状下的检测、分割和姿态任务。对于需要使用 Xcode Preview 的 NMS 流程的检测模型，请使用 nms=True。
  • MNN： 内嵌 NMS 使用 dynamic=False 时支持检测和姿态任务。
  • IMX： 检测、实例分割和姿态任务需要内嵌 NMS，系统会自动选择该选项。
  • Hailo： YOLO26 默认使用原始张量和主机端 NMS；nms=False 会选择其一对一路径。YOLOv8/YOLO11 检测使用 HailoRT NMS。
  • 量化： TensorRT 8.5.0 之前的版本、JetPack 6 上的 TensorRT 10.3.0 INT8，以及 LiteRT INT8 或 w8a16 会回退到一对多输出。

硬件要求请参阅各个集成指南。如需完整的 FP16 输出张量，请使用 nms=None；即使模型经过量化，端到端类别索引也可能使输出张量保持 FP32。

精度与速度的权衡#

已发布的 YOLO26 COCO 结果显示，在五种模型尺寸上，一对多检测头可将检测 mAP 提高 0.6–0.8 个点：例如，YOLO26n 为 40.9，而非 40.1；YOLO26x 为 57.5，而非 56.9。一对一检测头省去了 NMS 步骤，更有利于降低延迟。这些结果为默认设置提供了依据，但不能保证在每个数据集上都能提升。

已发布的无 NMS 速度测量结果使用 nms=False。比较精度和延迟时，请确保检测头选择、图像尺寸、精度和硬件相同。

常见问题#

  • 它会限制预测和验证返回的检测结果数量。对于端到端和内嵌 NMS 导出，该限制属于计算图的一部分，因此要更改限制就需要重新导出；CoreML 检测的内嵌 NMS 是例外，没有检测数量上限。如果图像提供的锚点少于 max_det，端到端输出中的候选框数量可能会更少。

  • 是的，如果使用 nms=False 或 nms=True，并采用默认检测数量限制，就会得到这种结果。仅凭形状无法判断导出的是哪个检测头。默认的原始 COCO 检测导出通常会在 imgsz=640 处具有 (1, 84, 8400) 形状。

  • 是的。对于检测、实例分割、姿态和 OBB，同一个 nms 参数都会选择可用的检测头。它不会取代掩码重建、关键点解码、旋转框处理、分类概率、语义类别图或深度解码。

贡献者
GLglenn-jocher9RAraimbekovm4AMambitious-octopus2JEJESUSROYETH1ONonuralpszr1

评论