Link to this sectionUltralytics YOLO26#

Link to this section概述#

Ultralytics YOLO26 是一个统一的实时视觉模型系列，详见 Ultralytics YOLO26 论文。它引入了原生端到端推理、更轻量的检测头、更新的训练方案，以及针对检测、分割、姿态估计、分类和定向检测的特定任务头。

在五个检测尺度上，YOLO26 在 COCO 上达到了 40.9-57.5 mAP，且 T4 TensorRT 延迟仅为 1.7-11.8 毫秒。该论文还报告称，与 YOLO11n 相比，YOLO26n 在 Intel Xeon CPU @ 2.00 GHz 上的 CPU ONNX 推理速度提升了高达 43%。

YOLO26 模型系列围绕四个设计领域构建：

• 原生端到端推理： 默认的一对一检测头无需非极大值抑制（NMS）即可生成预测，简化了部署并减少了后处理工作。
• 更轻量的框回归： YOLO26 移除了分布焦点损失（DFL），在保持无约束回归范围的同时降低了检测头的复杂度。
• 训练配方更新： 训练流水线结合了 MuSGD、Progressive Loss 和 STAL，旨在改进优化，将监督重点转向推理时的头部，并保持对小目标的正面标签覆盖。已发布检查点背后的完整超参数记录在 YOLO26 Training Recipe guide 中。
• 特定任务的头部和损失函数： YOLO26 增加了针对实例分割、语义分割变体、姿态估计和定向检测的专项设计，同时在不同任务间保持统一的模型流水线。

总而言之，这些更新优化了各模型尺度和部署目标在准确率与延迟之间的权衡。

Link to this section主要特性#

• 无 DFL 回归 YOLO26 移除了分布焦点损失（DFL），降低了检测头的复杂度并简化了模型导出。

• 端到端无需 NMS 推理 与传统检测器依赖 NMS 作为独立的后处理步骤不同，YOLO26 默认是原生端到端的。预测结果直接生成，从而降低了延迟并简化了生产环境集成。

• Progressive Loss + STAL Progressive Loss 将训练重点转向推理阶段的头部，而 STAL 则改善了针对小目标的正标签覆盖率。

• MuSGD 优化器 这是一个混合优化器，结合了 SGD 和 Muon，将大型语言模型训练中的优化思想应用于计算机视觉领域。

• 高效部署 简化的头部和无需 NMS 的默认路径减少了跨导出目标和硬件配置文件的推理开销，包括论文中报道的 YOLO26n 对比 YOLO11n 的 CPU ONNX 速度提升。

• 实例分割增强 引入了语义分割损失以提高模型收敛速度，并升级了原型模块（proto module），利用多尺度信息实现卓越的掩码质量。论文报告称，在 COCO 实例分割任务上，相较于 YOLO11，其框 AP 提升高达 +2.5，掩码 AP 提升高达 +3.7。

• 精准姿态估计 集成了 Residual Log-Likelihood Estimation (RLE) 以实现更精确的关键点定位，并优化了解码过程以提高推理速度。论文报告称，在 COCO 姿态估计任务上，其 AP 较 YOLO11 提升高达 +7.2。

• 改进的 OBB 解码 引入了专门的角度损失以提高方形物体的检测准确率，并优化了 OBB 解码以解决边界不连续问题。论文报告称，在 DOTA-v1.0 定向检测任务上，其 mAP 较 YOLO11 提升高达 +3.4。

Link to this section支持的任务和模式#

YOLO26 在五个模型尺度上支持标准的 Ultralytics 任务集：

这一统一框架涵盖了实时检测、实例分割、语义分割、分类、姿态估计和定向目标检测，并提供训练、验证、推理和导出支持。

Link to this section性能指标#

参数和 FLOPs 数值基于 model.fuse() 后的融合模型，该操作会合并 Conv 和 BatchNorm 层并移除辅助的一对多检测头。预训练检查点保留完整的训练架构，可能会显示更高的统计数值。

Link to this section使用示例#

本节提供简单的 YOLO26 训练和推理示例。有关这些模式及其他 模式 的完整文档，请参阅 预测 (Predict)、训练 (Train)、验证 (Val) 和 导出 (Export) 文档页面。

请注意，以下示例适用于 YOLO26 检测 (Detect) 模型，用于 目标检测。有关更多支持的任务，请参阅 分割 (Segment)、语义分割 (Semantic Segmentation)、分类 (Classify)、旋转目标检测 (OBB) 和 姿态估计 (Pose) 文档。

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Use one-to-one head (default, no NMS required)
results = model.predict("image.jpg")  # inference
metrics = model.val(data="coco.yaml")  # validation
model.export(format="onnx")  # export

# Use one-to-many head (requires NMS)
results = model.predict("image.jpg", end2end=False)  # inference
metrics = model.val(data="coco.yaml", end2end=False)  # validation
model.export(format="onnx", end2end=False)  # export

Link to this sectionYOLOE-26：开放词汇检测与分割#

YOLOE-26 通过 YOLOE 系列的开放词汇功能扩展了 YOLO26。它支持使用 文本提示 (text prompts)、视觉提示 (visual prompts) 或 无提示模式 (prompt-free mode) 对开放集对象类别进行实时检测和分割。

利用 YOLO26 的 无需 NMS 的端到端设计，YOLOE-26 保持了足够快的开放词汇推理速度，适用于目标类别随时间变化的动态环境。在文本提示下，YOLOE-26x 在 LVIS minival 上达到了 40.6 AP，在视觉提示下达到了 38.5 AP，在无提示的非端到端设置下达到了 31.1 AP。

Link to this section使用示例#

YOLOE-26 支持基于文本和视觉的提示。使用提示很简单——只需通过如下所示的 predict 方法传入它们：

from ultralytics import YOLO

# Initialize model
model = YOLO("yoloe-26l-seg.pt")  # or select yoloe-26s/m-seg.pt for different sizes

# Set text prompt to detect person and bus. You only need to do this once after you load the model.
model.set_classes(["person", "bus"])

# Run detection on the given image
results = model.predict("path/to/image.jpg")

# Show results
results[0].show()

有关提示技术和完整使用示例，请访问 YOLOE 文档。

Link to this section引用与致谢#

有关 YOLO26 架构、训练配方、任务头和 YOLOE-26 开放词汇扩展的完整技术描述，请阅读 Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models。如果你在研究中使用 YOLO26，请引用：

@misc{jocher2026ultralyticsyolo26unifiedrealtime,
  title = {Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models},
  author = {Glenn Jocher and Jing Qiu and Mengyu Liu and Shuai Lyu and Fatih Cagatay Akyon and Muhammet Esat Kalfaoglu},
  year = {2026},
  eprint = {2606.03748},
  archivePrefix = {arXiv},
  primaryClass = {cs.CV},
  doi = {10.48550/arXiv.2606.03748},
  url = {https://arxiv.org/abs/2606.03748},
}

YOLO26 代码、模型和文档可在 Ultralytics GitHub 存储库 和 Ultralytics 文档 中找到，并遵循 AGPL-3.0 和 Enterprise 许可协议。

Link to this section常见问题解答#

Link to this sectionYOLO26 的主要改进是什么？#

• 无 DFL 回归：简化了检测头和导出路径
• 端到端无 NMS 推理：从默认推理路径中移除了 NMS
• 渐进式损失 + STAL：改进了训练对齐和小目标标签覆盖
• MuSGD 优化器：结合了 SGD 和受 Muon 启发的优化，以实现稳定的训练
• 任务特定的头和损失：改进了对分割、姿态和旋转检测的支持

Link to this sectionYOLO26 支持哪些任务？#

YOLO26 是一个统一的模型系列，为多个计算机视觉任务提供端到端支持：

• 目标检测
• 实例分割
• 语义分割
• 图像分类
• 姿态估计
• 旋转目标检测 (OBB)

每种尺寸变体（n, s, m, l, x）都支持所有任务，并通过 YOLOE-26 支持开放词汇版本。

Link to this section为什么 YOLO26 在部署方面如此高效？#

YOLO26 通过以下特性提升了部署效率：

• 默认支持无需 NMS 的原生端到端推理
• 无 DFL 回归及更轻量化的检测头
• 融合模型导出，移除仅用于训练的辅助组件
• 在 Intel Xeon CPU @ 2.00 GHz 上，YOLO26n 的 CPU ONNX 推理速度比 YOLO11n 快达 43%
• 灵活的导出格式，包括 TensorRT、ONNX、CoreML、TFLite 和 OpenVINO

Link to this section如何开始使用 YOLO26？#

你可以通过 ultralytics 软件包下载 YOLO26 模型。安装或更新该软件包并加载模型：

from ultralytics import YOLO

# Load a pretrained YOLO26 nano model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("image.jpg")

请参阅 使用示例 部分以获取训练、验证和导出说明。