跳转至内容

Ultralytics YOLO26

仅预览 ⚠️

🚧 YOLO26 型号仍在开发中，尚未发布。此处显示的性能数据仅为预览。
最终下载和发布将在不久之后进行，请随时通过YOLO Vision 2025 进行更新。

概述

UltralyticsYOLO26 是YOLO 系列实时物体检测器的最新产品，专为边缘和低功耗设备而设计。它采用精简设计，消除了不必要的复杂性，同时集成了有针对性的创新技术，以提供更快、更轻和更方便的部署。

YOLO26 的架构遵循三个核心原则：

  • 简单：YOLO26 是一个原生的端到端模型，无需非最大抑制（NMS）即可直接生成预测结果。由于省去了这一后处理步骤，推理变得更快、更轻便，也更容易部署到现实世界的系统中。这一突破性方法由清华大学的王敖在YOLOv10中首创，并在 YOLO26 中得到进一步发展。
  • 部署效率：端到端设计省去了管道的整个阶段，大大简化了集成、减少了延迟，并使不同环境下的部署更加稳健。
  • 培训创新：YOLO26 引入了MuSGD 优化器，它是SGD和Muon的混合体，灵感来自 Moonshot AI 在 LLM 训练中取得的Kimi K2突破。该优化器具有更高的稳定性和更快的收敛速度，将语言模型中的优化技术应用到了计算机视觉领域。

这些创新结合在一起，使模型系列在小型物体上实现了更高的精度，提供了无缝部署，在 CPU 上的运行速度提高了 43%，从而使 YOLO26 成为迄今为止在资源有限的环境中最实用、最易部署的YOLO 模型之一。

Ultralytics YOLO26 对比图

主要功能

  • DFL 移除
    分布焦距损耗 (DFL) 模块虽然有效，但往往使导出复杂化，并限制了硬件兼容性。YOLO26 完全取消了 DFL，简化了推理，扩大了对边缘和低功耗设备的支持。

  • 端到端无 NMS 推断
    与依赖 NMS 作为单独后处理步骤的传统检测器不同，YOLO26本身就是端到端的。预测结果直接生成，减少了延迟，使集成到生产系统的速度更快、更轻便、更可靠。

  • ProgLoss + STAL
    改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空图像和其他边缘应用的关键要求。

  • MuSGD 优化器
    一种结合了SGD和Muon 的新型混合优化器。受到 Moonshot AI 的Kimi K2 的启发，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，使训练更加稳定，收敛速度更快。

  • CPU 推理速度提高 43
    YOLO26 专门针对边缘计算进行了优化，大大加快了CPU 推理速度，确保在没有 GPU 的设备上实现实时性能。

支持的任务和模式

YOLO26 被设计为多任务模型系列，将YOLO 的多功能性扩展到各种计算机视觉挑战中：

模型 任务 推理 验证 训练 导出
YOLO26 检测 ✅ ✅ ✅ ✅
YOLO26-seg 实例分割 ✅ ✅ ✅ ✅
YOLO26- 估计姿势 姿势/关键点 ✅ ✅ ✅ ✅
YOLO26- 旋转框检测 定向检测 ✅ ✅ ✅ ✅
YOLO26-cls 分类 ✅ ✅ ✅ ✅

这一统一的框架确保 YOLO26 适用于实时检测、分割、分类、姿势估计 和面向对象检测，所有这些都支持训练、验证、推理和输出。

性能指标

演出预告

以下基准为早期预览。最终数据和可下载权重将在培训完成后发布。

在COCO上使用 80 个预训练类进行训练。
有关模型发布后的使用方法，请参见检测文档。

模型 尺寸
(像素)		 mAPval
50-95(e2e)		 mAPval
50-95		 速度
CPU ONNX
(毫秒)		 速度
T4 TensorRT10
(毫秒)		 参数
(M)		 FLOPs
(B)
YOLO26n 640 39.8 40.3 38.90 ± 0.7 1.7 ± 0.0 2.4 5.4
YOLO26s 640 47.2 47.6 87.16 ± 0.9 2.7 ± 0.0 9.5 20.7
YOLO26m 640 51.5 51.7 220.0 ± 1.4 4.9 ± 0.1 20.4 68.2
YOLO26l 640 53.0* 53.4* 286.17 ± 2.0* 6.5 ± 0.2* 24.8 86.4
YOLO26x 640 - - - - - -

*YOLO26l 和 YOLO26x 的测量正在进行中。最终基准将添加到这里。

性能指标即将推出。

性能指标即将推出。

性能指标即将推出。

性能指标即将推出。

引用与致谢

Ultralytics YOLO26 出版物

由于 YOLO26 模型发展迅速，Ultralytics 尚未发表正式的研究论文。相反，我们专注于提供最先进的模型，并使其易于使用。有关YOLO 功能、架构和使用的最新更新，请访问我们的GitHub 存储库和文档。

如果您在工作中使用了 YOLO26 或其他Ultralytics 软件，请注明出处：

@software{yolo26_ultralytics,
  author = {Glenn Jocher and Jing Qiu},
  title = {Ultralytics YOLO26},
  version = {26.0.0},
  year = {2025},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

DOI 待定。YOLO26 根据 AGPL-3.0和企业许可证下提供。

常见问题

与YOLO11 相比，YOLO11 有哪些主要改进？

  • 移除 DFL：简化输出并扩展边缘兼容性
  • 端到端无 NMS 推断：消除 NMS，实现更快、更简单的部署
  • ProgLoss + STAL：提高精确度，尤其是对小物体的精确度
  • MuSGD 优化器：结合 SGD 和 Muon（受 Moonshot 的 Kimi K2 启发），实现更稳定、更高效的训练
  • CPU 推理速度提高 43%：CPU 设备的主要性能提升

YOLO26 支持哪些任务？

YOLO26 被设计为一个统一的模型系列，为多种计算机视觉任务提供端到端支持：

每个尺寸变量（n、s、m、l、x）计划在发布时支持所有任务。

为什么 YOLO26 针对边缘部署进行了优化？

YOLO26 具有最先进的边缘性能：

  • CPU 推理速度最多可提高 43
  • 缩小模型尺寸，减少内存占用
  • 简化架构以实现兼容性（无 DFL、无 NMS）
  • 灵活的导出格式，包括TensorRT、ONNX、CoreML、TFLite 和OpenVINO

YOLO26 型号何时上市？

YOLO26 模型仍在培训中，尚未开源。这里展示的是性能预览，计划在不久的将来正式下载和发布。 有关 YOLO26 的会谈，请参阅《YOLO 2025 愿景》。



📅 创建于 0 天前 ✏️ 最近更新 0 天前
Laughing-q UltralyticsAssistant

评论