Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models

论文总结与翻译

一、文章主要内容和创新点

主要内容

YOLO26是Ultralytics团队提出的新一代统一实时视觉模型家族，旨在解决现有YOLO检测器在推理效率、训练成本和检测能力等方面的多项局限性。该模型家族在YOLO11的基础上进行了系统性改进，涵盖检测、实例分割、姿态估计、旋转框检测以及开放词汇检测等多个任务，共有n/s/m/l/x五个模型规模版本。

在性能方面，YOLO26各规模模型在COCO val2017上实现了40.9–57.5 mAP的检测精度，同时在NVIDIA T4 GPU上的TensorRT FP16延迟仅为1.7–11.8毫秒，在中等、大型和超大型模型尺度上均超越了先前YOLO版本及其他实时检测器的Pareto前沿。其开放词汇扩展版YOLOE-26x在文本提示下于LVIS minival上达到40.6 AP，超越DetCLIP-T达+6.2 AP。

核心创新点

（1）架构层面——端到端无NMS检测

YOLO26采用双头（dual-head）设计，实现了原生的无NMS端到端推理。其中一个分支为传统的one-to-many密集训练头，另一个为one-to-one端到端推理头，两者基于Task-Aligned Learning（TAL）标签分配策略，但采用不同的匹配基数，使得模型在推理时可直接进行端到端解码，无需后处理NMS。

同时，YOLO26完全移除了Distribution Focal Loss（DFL），显著减轻了检测头的计算负担。以YOLO11