YOLO26不是第26代，而是“破局者”！颠覆性端到端架构重塑实时检测

作者 | 小书童 来源 |  集智书童

点击下方卡片，关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近30个方向学习路线

🚧 YOLO26 模型仍在开发中，尚未发布。此处显示的性能数据为预览。最终的下载和正式发布将很快跟进 — 请通过 YOLO Vision 2025 获取最新信息。

概述

Ultralytics 的 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头设计。它引入了一套简化的设计，去除不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻量、且更易于部署的模型。

YOLO26 的架构由三个核心原则驱动：

• • 简洁性： YOLO26 是一个原生端到端模型，直接输出预测结果，无需非极大值抑制（NMS）。通过消除这个后处理步骤，推理更快、更轻、更易于在实际系统中部署。这一端到端方法最早由清华大学的 Ao Wang 在 YOLOv10 中率先提出，并在 YOLO26 中得到进一步推进。

• • 部署效率： 端到端设计去掉了整段流水线，显著简化集成、降低延迟，并提升在多样环境下的部署鲁棒性。

• • 训练创新： YOLO26 引入了 MuSGD 优化器，它是 SGD 与 Muon 的混合体——灵感来自 Moonshot AI 在大模型训练上的 Kimi K2 突破。该优化器带来更稳定和更快的收敛，将语言模型的优化进展迁移到计算机视觉领域。

这些创新共同提供了一个在小目标上拥有更高精度、部署无缝且在 CPU 上最多提升 43% 推理速度的模型家族——使 YOLO26 成为资源受限环境下最实用、最易部署的 YOLO 模型之一。

Ultralytics YOLO26 Comparison Plots

主要特性

• • 移除 DFL
  分布焦点损失（DFL）模块虽然有效，但常常增加导出复杂度并限制硬件兼容性。YOLO26 完全移除了 DFL，简化了推理并扩大了对边缘和低功耗设备的支持。

• • 端到端无 NMS 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。预测直接生成，减少延迟，使得在生产系统中的集成更快、更轻、更可靠。

• • ProgLoss + STAL
  改进的损失函数提升检测精度，尤其在小目标识别方面有显著改进，这对物联网、机器人、航拍影像和其他边缘应用非常关键。

• • MuSGD 优化器
  一种将 SGD 与 Muon 相结合的新型混合优化器。灵感来自 Moonshot AI 的 Kimi K2，MuSGD 将大模型训练中的高级优化方法引入计算机视觉，带来更稳定的训练和更快的收敛。

• • CPU 推理速度提升最多达 43%
  YOLO26 针对边缘计算进行了专门优化，在无 GPU 的设备上也能提供近实时性能。

支持的任务与模式

YOLO26 被设计为一个多任务模型家族，扩展了 YOLO 在不同计算机视觉挑战中的适用性：

模型	任务	推理	验证	训练	导出
YOLO26	检测	✅	✅	✅	✅
YOLO26-seg	实例分割	✅	✅	✅	✅
YOLO26-pose	姿态/关键点	✅	✅	✅	✅
YOLO26-obb	定向检测	✅	✅	✅	✅
YOLO26-cls	分类	✅	✅	✅	✅

该统一框架确保 YOLO26 适用于实时检测、分割、分类、姿态估计和定向目标检测——在发布时均支持训练、验证、推理与导出。

性能指标

📊 YOLO26 系列基准预览（早期版本）

注意：以下为训练完成前的早期预览数据。最终指标及可下载权重将在训练完成后发布。

🔍 目标检测（COCO）

训练数据：COCO（80 个预训练类别）
使用指南：模型发布后请参考 Detection Docs

模型	输入尺寸 （像素）	mAPval 50-95 (端到端)	mAPval 50-95	推理速度 CPU ONNX （ms）	推理速度 T4 TensorRT 10 （ms）	参数量 （百万）	FLOPs （十亿）
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	—	—	—	—	—	—

注：YOLO26l 和 YOLO26x 的指标仍在评估中，最终结果将在此更新。

📌 其他任务（指标即将发布）

任务类型	数据集	状态
实例分割（Segmentation）	COCO	性能指标即将发布
图像分类（Classification）	ImageNet	性能指标即将发布
姿态估计（Pose）	COCO	性能指标即将发布
有向边界框检测（OBB）	DOTA v1	性能指标即将发布

与 YOLO11 相比，YOLO26 的主要改进是什么？

• • 移除 DFL：简化导出并扩大边缘兼容性

• • 端到端无 NMS 推理：取消 NMS 实现更快、更简单的部署

• • ProgLoss + STAL：提升精度，尤其是小目标

• • MuSGD 优化器：将 SGD 与 Muon（受 Moonshot 的 Kimi K2 启发）结合，带来更稳定、高效的训练

• • CPU 推理速度最多提升 43%：为仅 CPU 的设备带来重大性能提升

YOLO26 会支持哪些任务？

YOLO26 设计为一个统一的模型家族，发布时将对多种计算机视觉任务提供端到端支持：

• • 目标检测

• • 实例分割

• • 图像分类

• • 姿态估计

• • 定向目标检测 (OBB)

每个尺寸变体（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 在边缘设备上实现一流的性能，主要得益于：

• • 在 CPU 上推理速度提升最多 43%

• • 减小模型体积和内存占用

• • 架构简化以提高兼容性（无 DFL、无 NMS）

• • 支持灵活的导出格式，包括 TensorRT、ONNX、CoreML、TFLite 和 OpenVINO

自动驾驶之心

论文辅导来啦

自驾交流群来啦！

自动驾驶之心创建了近百个技术交流群，涉及大模型、VLA、端到端、数据闭环、自动标注、BEV、Occupancy、多模态融合感知、传感器标定、3DGS、世界模型、在线地图、轨迹预测、规划控制等方向！欢迎添加小助理微信邀请进群。

知识星球交流社区

近4000人的交流社区，近300+自动驾驶公司与科研结构加入！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（大模型、端到端自动驾驶、世界模型、仿真闭环、3D检测、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型，更有行业动态和岗位发布！欢迎加入。

独家专业课程

端到端自动驾驶、大模型、VLA、仿真测试、自动驾驶C++、BEV感知、BEV模型部署、BEV目标跟踪、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、CUDA与TensorRT模型部署、大模型与自动驾驶、NeRF、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频

学习官网：www.zdjszx.com