Ultralytics YOLO26

概述

Ultralytics YOLO26 是 YOLO 系列实时目标检测器的最新演进，专为边缘和低功耗设备从零构建。它引入了精简设计，去除了不必要的复杂性，同时整合了针对性创新，从而实现更快、更轻量且更易于部署的效果。

YOLO26 的架构遵循三个核心原则：

• 简洁性： YOLO26 是一种原生端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，且更易于在实际系统中部署。这种突破性的方法最初由清华大学的王傲在 YOLOv10 中首创，并在 YOLO26 中得到了进一步优化。
• 部署效率： 端到端设计省去了整个流程中的一个阶段，极大简化了集成，降低了延迟，并使部署在各种环境下更加稳健。
• 训练创新： YOLO26 引入了 MuSGD 优化器，这是 SGD 和 Muon 的混合体，灵感源自月之暗面 (Moonshot AI) 的 Kimi K2 在大语言模型训练中的突破。该优化器带来了更强的稳定性和更快的收敛速度，将大语言模型的优化进展应用到了计算机视觉领域。
• 特定任务优化： YOLO26 为专业任务引入了针对性改进，包括用于语义分割的语义分割损失和多尺度 proto 模块、用于高精度姿态估计的残差对数似然估计（RLE），以及通过角度损失优化解码以解决 OBB 边界问题。

这些创新共同构建了一个模型家族，在处理小目标时实现了更高的准确度，提供了无缝的部署体验，并且在 CPU 上运行速度提升高达 43% — 使 YOLO26 成为目前资源受限环境下最实用、最易部署的 YOLO 模型之一。

主要特性

• 移除 DFL 分布焦点损失（DFL）模块虽然有效，但往往会使导出复杂化并限制硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。

• 端到端无需 NMS 的推理 与依赖 NMS 作为独立后处理步骤的传统检测器不同，YOLO26 是原生端到端的。预测结果直接生成，降低了延迟，并使集成到生产系统中的过程变得更快、更轻量且更可靠。

• ProgLoss + STAL 改进的损失函数提高了检测精度，特别是在小目标识别方面有显著提升，这对于物联网、机器人、航空影像及其他边缘应用至关重要。

• MuSGD 优化器 一种结合了 SGD 与 Muon 的新型混合优化器。受月之暗面 (Moonshot AI) 的 Kimi K2 启发，MuSGD 将大语言模型训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。

• CPU 推理速度提升高达 43% 专为边缘计算优化，YOLO26 显著提升了 CPU 推理速度，确保在没有 GPU 的设备上也能实现实时性能。

• 实例分割增强 引入语义分割损失以改进模型收敛，并升级了 proto 模块，利用多尺度信息实现卓越的掩膜质量。

• 高精度姿态估计 集成了 残差对数似然估计 (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。

• 精炼的 OBB 解码 引入专门的角度损失以提高正方形物体的检测精度，并优化了 OBB 解码以解决边界不连续的问题。

支持的任务和模式

YOLO26 构建在早期 Ultralytics YOLO 版本所建立的多功能模型范围之上，为各种计算机视觉任务提供了增强支持：

这一统一框架确保了 YOLO26 可广泛应用于实时检测、实例分割、语义分割、分类、姿态估计和旋转目标检测，且所有这些任务均支持训练、验证、推理和导出。

性能指标

Params 和 FLOPs 数值是针对 model.fuse() 后的融合模型，该操作合并了 Conv 和 BatchNorm 层并移除了辅助的一对多检测头。预训练检查点保留了完整的训练架构，可能会显示更高的数值。

使用示例

本节提供简单的 YOLO26 训练和推理示例。有关这些模式以及其他 模式 的完整文档，请参阅 预测、训练、验证 和 导出 文档页面。

请注意，以下示例适用于 YOLO26 检测 模型，用于 目标检测。如需了解其他支持的任务，请参阅 分割、语义分割、分类、旋转框检测 和 姿态估计 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

YOLOE-26：开放词汇实例分割

YOLOE-26 将高性能的 YOLO26 架构与 YOLOE 系列的开放词汇能力相结合。它支持使用 文本提示、视觉提示 或 无提示模式 进行零样本推理，实现对任意对象类别的实时检测和分割，有效消除了固定类别训练的限制。

通过利用 YOLO26 的 无 NMS、端到端设计，YOLOE-26 提供了快速的开放世界推理。这使其成为动态环境中边缘应用的强大解决方案，这些环境中的目标对象代表了广泛且不断演变的词汇。

使用示例

YOLOE-26 支持文本和视觉提示。使用提示很简单——只需按如下所示通过 predict 方法传入即可：

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()

要深入了解提示技术、从零开始训练以及获取完整的使用示例，请访问 YOLOE 文档。

引用与致谢

如果你在工作中使用 YOLO26 或其他 Ultralytics 软件，请按如下方式引用它：

@software{yolo26_ultralytics,
  author = {Glenn Jocher and Jing Qiu},
  title = {Ultralytics YOLO26},
  version = {26.0.0},
  year = {2026},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

DOI 待定。YOLO26 可在 AGPL-3.0 和 Enterprise 许可下使用。

常见问题

与 YOLO11 相比，YOLO26 有哪些关键改进？

• 移除 DFL：简化了导出并扩展了边缘设备的兼容性
• 端到端无 NMS 推理：消除了 NMS，使部署更快、更简单
• ProgLoss + STAL：提升了准确率，特别是针对小目标
• MuSGD 优化器：结合了 SGD 和 Muon（受 Moonshot 的 Kimi K2 启发），使训练更稳定、更高效
• CPU 推理速度提升高达 43%：为仅使用 CPU 的设备带来显著性能提升

YOLO26 支持哪些任务？

YOLO26 是一个统一的模型家族，为多种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）均支持所有任务，此外还通过 YOLOE-26 提供开放词汇版本。

为什么 YOLO26 针对边缘部署进行了优化？

YOLO26 通过以下特性提供顶尖的边缘计算性能：

• CPU 推理速度提升高达 43%
• 减小模型大小和内存占用
• 架构简化以提高兼容性（无 DFL，无 NMS）
• 灵活的导出格式，包括 TensorRT、ONNX、CoreML、TFLite 和 OpenVINO

我该如何开始使用 YOLO26？

YOLO26 模型于 2026 年 1 月 14 日发布，现可供下载。请安装或更新 ultralytics 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")

有关训练、验证和导出的说明，请参阅 使用示例 部分。