【转载】YOLO26即将发布

9月25日，在伦敦举行的年度混合活动 YOLO Vision 2025（YV25）上，Ultralytics 创始人兼 CEO Glenn Jocher 正式发布了 Ultralytics YOLO 系列模型的最新突破性成果——Ultralytics YOLO26！这款全新的计算机视觉模型采用了精简的架构，在速度、准确性和部署便捷性之间实现了完美平衡，能够高效地分析和理解图像与视频内容。

尽管 Ultralytics YOLO26 在设计上进行了简化并引入了多项新改进，但它依然延续了用户熟悉的 YOLO 模型特性。例如，YOLO26 易于使用，支持多种计算机视觉任务，并提供灵活的集成与部署选项。

毫无疑问，这将使迁移到 YOLO26 变得轻松无忧。我们迫不及待地想看到用户在十月底模型正式开放使用后，亲自体验它的强大功能。

图1：使用 YOLO26 检测图像中的物体示例。

简而言之，Ultralytics YOLO26 是一款更优秀、更快速、更轻量的视觉 AI 模型。在本文中，我们将深入探讨 YOLO26 的核心特性及其带来的价值。让我们开始吧！

---

用 Ultralytics YOLO26 推动视觉 AI 的边界

在深入了解 YOLO26 的关键特性及其应用之前，让我们先回顾一下开发这一模型的初衷与动力。

Ultralytics 始终坚信创新的力量。从一开始，我们的使命就是双重的：一方面，我们希望让视觉 AI 对所有人无障碍可用；另一方面，我们也致力于将其推向技术前沿，突破计算机视觉模型的极限。

推动这一使命的一个关键因素是 AI 领域的持续演进。例如，边缘 AI（即在设备本地运行 AI 模型，而非依赖云端）正在各行各业迅速普及。

从智能摄像头到自动驾驶系统，边缘设备如今都需要实时处理信息。这一趋势要求模型在保持高准确率的同时，更加轻量和快速。

这正是我们不断改进 Ultralytics YOLO 模型的原因所在。正如 Glenn Jocher 所说：“最大的挑战之一是确保用户能够充分发挥 YOLO26 的潜力，同时依然保持顶尖性能。”

---

Ultralytics YOLO26 概览

YOLO26 提供五种不同的模型变体，开箱即用，赋予用户在不同规模应用中灵活使用的能力。

所有这些变体都支持多种计算机视觉任务，就像之前的 YOLO 模型一样。无论你选择哪种规模，都可以依赖 YOLO26 提供广泛的功能，类似于 Ultralytics YOLO11。

以下是 YOLO26 支持的计算机视觉任务概览：

• 目标检测：识别并定位图像或视频帧中的多个物体。

• 实例分割：在检测基础上进一步生成每个物体的像素级边界。

• 图像分类：分析整张图像并将其归类到特定标签。

• 姿态估计：检测关键点并估计人体或其他物体的姿态。

• 旋转边界框（OBB）：检测任意角度的物体，特别适用于航拍、无人机和卫星图像。

• 目标追踪：在视频帧或实时流中追踪物体。

图2：使用 YOLO26 检测图像中的物体。

---

YOLO26 架构亮点

在了解了 YOLO26 的功能之后，让我们来看看其架构中的一些创新。

模型设计通过移除 Distribution Focal Loss（DFL）模块 实现简化，该模块曾拖慢推理速度并限制边界框回归性能。

预测过程也通过引入 端到端（E2E）推理选项 得到简化，使模型可以跳过传统的 非极大值抑制（NMS） 步骤。这一改进降低了复杂度，使模型能更快地输出结果，便于在实际应用中部署。

其他改进使模型更智能、更可靠：渐进式损失平衡（ProgLoss） 有助于稳定训练并提升准确率；小目标感知标签分配（STAL） 确保模型能更有效地检测小物体；此外，全新的 MuSGD 优化器 提升了训练收敛速度和整体性能。

事实上，YOLO26 的最小版本——nano 模型，在标准 CPU 上的运行速度提升了 43%，非常适合移动应用、智能摄像头和其他对速度和效率要求极高的边缘设备。

以下是 YOLO26 的核心特性总结：

• 移除 DFL 模块：无论图像中物体大小如何，YOLO26 都能精准绘制边界框，同时运行更高效。

• 端到端无 NMS 推理：新增可选模式，跳过传统 NMS 步骤，使部署更简单、实时性更强。

• ProgLoss 与 STAL：提升训练稳定性与准确率，尤其在复杂场景中的小目标检测方面表现更佳。

• MuSGD 优化器：结合 Muon 与 SGD 的优势，加快学习速度并提升模型精度。

图3：YOLO26 的性能基准测试。

---

使用 Ultralytics YOLO26 简化部署

无论你是开发移动应用、智能摄像头还是企业级系统，部署 YOLO26 都非常简单灵活。

Ultralytics Python 包 支持不断增长的导出格式，使 YOLO26 能轻松集成进现有工作流，并兼容几乎所有平台。

部分导出选项包括：

• TensorRT：最大化 GPU 加速性能

• ONNX：广泛兼容

• CoreML：适用于 iOS 原生应用

• TFLite：适用于 Android 和边缘设备

• OpenVINO：在英特尔硬件上优化性能

这种灵活性使 YOLO26 从开发到生产的过渡更加顺畅，无需额外障碍。

部署中的另一个关键点是确保模型在资源受限设备上高效运行。这正是量化技术大显身手的地方。得益于其简化架构，YOLO26 在量化方面表现优异。

它支持 INT8 部署（通过 8 位压缩减小模型体积并提升速度，仅损失极少精度），以及 半精度（FP16） 推理，在支持的硬件上实现更快推理。

最重要的是，YOLO26 在这些量化级别上都能保持一致的性能表现，无论运行在强大的服务器还是紧凑的边缘设备上，都能可靠工作。

---

从机器人到制造业：YOLO26 的应用场景

YOLO26 可广泛应用于多个行业的计算机视觉任务，从机器人到制造业，都能通过优化工作流程、提升决策速度与准确性，带来显著影响。

例如，在机器人领域，YOLO26 可帮助机器人实时理解周围环境，使导航更顺畅、物体抓取更精准，并实现更安全的人机协作。

在制造业中，YOLO26 可用于缺陷检测，比人工检测更快、更准确地识别生产线上的产品瑕疵。

图4：在制造工厂中使用 YOLO26 检测瓶子。

总体而言，凭借更优、更快、更轻的特性，YOLO26 可轻松适应从轻型边缘设备到大型企业系统的多种环境，是希望提升效率、准确性与可靠性的行业的实用之选。

---

核心要点总结

Ultralytics YOLO26 是一款更优秀、更快速、更轻量的计算机视觉模型，依然易于使用并保持强劲性能。它支持多种任务和平台，将于十月底正式向所有人开放。我们迫不及待地想看到社区如何利用它创造新方案，推动计算机视觉的边界。

相关链接：

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

https://www.ultralytics.com/blog/meet-ultralytics-yolo26-a-better-faster-smaller-yolo-model