Ultralytics YOLO26来啦！5种尺寸全家桶，速度与精度兼顾

Ultralytics 近期推出了最新的 YOLO26 模型，作为该系列迄今为止最先进、同时也是最易于部署的迭代版本，重新定义了跨行业计算机视觉应用的新范式，为边缘计算、低功耗设备场景提供了尖端解决方案。

与此前的 Ultralytics YOLO 系列一样，YOLO26 依然采用统一的模型家族设计，能够支持多种计算机视觉任务。模型提供五种尺寸选择：Nano（n）、Small（s）、Medium（m）、Large（l）和 Extra Large（x），团队可以根据部署环境，在速度、精度和模型体量之间进行灵活取舍。

在性能层面,YOLO26 进一步提升了性能上限。与 YOLO11 相比，YOLO26 的 Nano 版本在 CPU 推理场景下最高可实现 43% 的性能提升，成为目前边缘端和基于 CPU 部署场景中速度与精度兼顾的领先目标检测模型之一。

Ultralytics YOLO 系列模型，已正式上架「魔搭社区（ModelScope）」

快速上手体验：https://modelscope.cn/studios/Ultralytics/yolo26

官网：

https://platform.ultralytics.com/ultralytics/yolo26

官方文档：

https://docs.ultralytics.com/models/yolo26/

YOLO26 支持的计算机视觉任务包括：

• 图像分类：对整张图像进行分析，并归类到指定类别，帮助系统理解场景整体语义。
• 目标检测：在图像或视频中定位并识别多个目标。
• 实例分割：能以像素级精度勾勒单个物体轮廓。
• 姿态估计：识别关键点并估计人体或其他对象的姿态。
• 旋转框（OBB）检测：支持不同角度目标检测，适用于航拍和卫星影像。
• 目标跟踪：结合 Ultralytics Python 包，可在视频流中持续跟踪目标。

所有任务在同一框架下支持训练、验证、推理与模型导出。

Ultralytics YOLO26 的关键创新

Ultralytics YOLO26 引入了多项核心创新，全面提升了推理速度、训练稳定性和部署便捷性，主要包括：

• 移除分布焦点损失（DFL）：删除了 DFL 模块，简化了边界框预测过程，提升了硬件兼容性，让模型更易于导出并在边缘设备和低功耗硬件上运行。
• 端到端无 NMS 推理：YOLO26 原生支持端到端推理，可直接输出最终预测结果，无需依赖非极大值抑制（NMS），减少了推理延迟和部署复杂度。
• 渐进式损失平衡（ProgLoss）+ 小目标感知标签分配（STAL）：这些优化的损失策略稳定了训练过程，提升了检测精度，尤其针对难以检测的小目标。
• MuSGD 优化器：采用全新混合优化器，融合了 SGD 与 Muon 的优化方法，模型训练更加稳定。
• CPU 推理速度提升高达 43% ：专为边缘计算优化，YOLO26 的 CPU 推理速度提升高达 43%，可在边缘设备上实现实时性能。

移除分布焦点损失（DFL），简化预测流程

早期 YOLO 模型在训练过程中使用分布焦点损失（DFL）来提升边界框精度。尽管这一方法有效，但 DFL 增加了模型复杂度，且对回归范围设置了固定限制，给模型导出和部署带来挑战，尤其在边缘设备和低功耗硬件上表现更为明显。

YOLO26 完全移除了 DFL 模块。这一改动消除了早期模型中固定的边界框回归限制，提升了检测超大物体时的可靠性和准确性。

通过简化边界框预测流程，YOLO26 更易于导出，且能在各类边缘设备和低功耗硬件上稳定运行。

端到端无 NMS 推理

传统目标检测流程依赖非极大值抑制（NMS）作为后处理步骤，用于过滤重叠预测结果。尽管 NMS 效果显著，但它会增加延迟和复杂度，且在多运行时环境和不同硬件目标上部署时容易出现不稳定问题。

YOLO26 引入原生端到端推理模式，模型可直接输出最终预测结果，无需将 NMS 作为独立的后处理步骤。重复预测的过滤的操作在网络内部完成。

移除 NMS 不仅降低了延迟，简化了部署流程，还减少了集成错误的风险，使 YOLO26 特别适合实时部署和边缘部署场景。

渐进式损失平衡（ProgLoss）+ 小目标感知标签分配（STAL），提升识别能力

训练相关的关键特性是引入了渐进式损失平衡（ProgLoss）和小目标感知标签分配（STAL）。这些优化的损失函数有助于稳定训练过程，提升检测精度。

ProgLoss 让模型在训练过程中学习更稳定，减少了训练波动，使模型收敛更平稳。同时，STAL 则针对小目标进行了优化，改善模型在视觉信息有限情况下的学习效果。

ProgLoss 和 STAL 的结合实现了更可靠的检测效果，尤其在小目标识别方面有显著提升。这一点对于物联网（IoT）、机器人技术和航空影像等边缘应用至关重要，因为在这些场景中，物体往往体积小、距离远或部分可见。

MuSGD 优化器，实现更稳定的训练

YOLO26 采用了一种新的优化器 MuSGD，用于提升训练的稳定性和效率。MuSGD 将传统随机梯度下降（SGD）的优势，与源自大语言模型训练的 Muon 类优化思想相结合。

SGD 在计算机视觉领域长期被证明具有良好的泛化能力，而近年的大模型训练经验也表明，适当引入新的优化策略可以进一步提升稳定性和效率。MuSGD 将这些理念引入了计算机视觉领域。

受 Moonshot AI 的 Kimi K2 训练经验启发，MuSGD 融入了有助于模型更平稳收敛的优化策略。这使得 YOLO26 能够更快地达到出色性能，同时减少训练不稳定性，尤其在更大规模或更复杂的训练场景中效果显著。

MuSGD 让 YOLO26 在不同模型尺寸下的训练都更具可预测性，既提升了性能，又增强了训练稳定性。

CPU 推理速度提升高达 43%

随着 Vision AI 不断向数据产生端靠近，边缘性能的重要性持续提升。YOLO26 针对边缘计算场景进行了深度优化，在无 GPU 的条件下，CPU 推理速度最高提升可达 43%。

这一能力使实时视觉系统能够直接运行在摄像头、机器人和嵌入式硬件上，满足低延迟、高可靠性和成本受限的实际需求。

对视觉任务进一步优化

除了提升目标检测精度的架构改进外，YOLO26 还包含针对特定任务的优化，旨在全面提升各类计算机视觉任务的性能。

• 实例分割：YOLO26 使用语义分割损失改进模型的训练学习过程，从而生成更准确、更一致的实例掩码。升级后的原型模块支持利用多尺度信息，使模型在复杂场景中也能有效处理不同尺寸的物体。
• 姿态估计：集成 Residual Log-Likelihood Estimation（RLE），更好地建模关键点预测的不确定性，同时优化解码流程，实现更高精度与实时性。
• 旋转边界框检测：新增角度损失函数，帮助模型更准确地学习物体旋转角度，尤其适用于方向模糊的方形物体。优化后的 OBB 解码过程减少了旋转边界附近角度预测的突变，实现了更稳定、一致的方向估计。

点击即可跳转模型合集：https://www.modelscope.cn/organization/Ultralytics