Ultralytics YOLO26正式发布，边缘AI迎来新的机遇

YOLO26 的核心特点

• 架构精简与创新
  • DFL 移除：YOLO26 完全取消了分布焦距损耗（DFL）模块。该模块在以往的模型中虽有一定作用，但会使导出过程复杂化，还限制了硬件兼容性。移除 DFL 后，YOLO26 简化了推理过程，扩大了对边缘和低功耗设备的支持范围，无论图像中物体大小如何，都能更高效地精准绘制边界框。
  • 端到端无 NMS 推断：与传统检测器不同，YOLO26 是原生的端到端模型，无需非最大抑制（NMS）这一后处理步骤即可直接生成预测结果。这一突破性方法由清华大学的王敖在 YOLOv10 中首创，并在 YOLO26 中得到进一步发展。端到端设计省去了管道的整个阶段，大大减少了延迟，降低了复杂度，使模型能更快地输出结果，让集成到生产系统的过程变得更快、更轻便、更可靠，在实际应用中的部署也更加稳健。
  • ProgLoss + STAL：YOLO26 采用了渐进式损失平衡（ProgLoss）和小目标感知标签分配（STAL）技术。ProgLoss 有助于稳定训练过程并提升准确率，STAL 则确保模型能更有效地检测小物体，在复杂场景中的小目标检测方面表现更为优异，满足了物联网、机器人、航空图像等对小目标识别有较高要求的应用场景需求。
  • MuSGD 优化器：引入了 MuSGD 优化器，它是 SGD 和 Muon 的混合体，灵感来自 Moonshot AI 在 LLM 训练中取得的 Kimi K2 突破。该优化器结合了 Muon 与 SGD 的优势，具有更高的稳定性和更快的收敛速度，将语言模型中的优化技术成功应用到了计算机视觉领域，加快了学习速度并提升了模型精度。
• 硬件性能优化：YOLO26 专门针对边缘计算进行了优化，其最小版本 ——nano 模型在标准 CPU 上的运行速度提高了 43%，大大加快了 CPU 推理速度，确保在没有 GPU 的设备上也能实现实时性能，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。
• 多任务支持：YOLO26 是一个多任务模型系列，支持多种计算机视觉任务，包括目标检测、实例分割、图像分类、姿态估计、旋转边界框检测和目标追踪等。它提供了五种不同的模型版本，分别是 YOLO26n、YOLO26s、YOLO26m、YOLO26l 和 YOLO26x，用户可以根据具体应用场景和需求灵活选择，无论选择哪种规模的模型，都能获得稳定而强大的全方位功能支持。

YOLO26 的性能指标

YOLO26 的应用领域

• 机器人领域：可帮助机器人实时理解周围环境，使机器人在导航过程中能够更精准地识别障碍物和路径，实现更顺畅的移动；在物体抓取任务中，能更准确地定位物体，提高抓取的成功率和精准度，还能实现更安全的人机协作，保障人员和设备的安全。
• 制造业：在生产线上，YOLO26 可用于缺陷检测，能够快速、准确地识别产品表面的划痕、裂纹、孔洞等瑕疵，比人工检测效率更高、准确率更高，有助于及时发现问题并进行质量控制，提高产品质量和生产效率。
• 智能安防：在监控视频分析中，能够实时检测和追踪人员、车辆等目标，实现异常行为检测、入侵报警等功能，为安防系统提供更强大的技术支持，保障公共场所和企业的安全。
• 自动驾驶：可以对道路上的车辆、行人、交通标志和信号灯等进行快速检测和识别，为自动驾驶汽车提供准确的环境感知信息，辅助车辆做出决策，提高自动驾驶的安全性和可靠性。
• 航空航天：在航拍和卫星图像分析中，能够检测任意角度的物体，对建筑物、车辆、农作物等进行识别和分析，为城市规划、农业监测、资源勘探等提供有力的数据支持。

YOLO26 的部署优势

• 广泛的兼容性：Ultralytics Python 包支持多种导出格式，如 TensorRT 可最大化 GPU 加速性能、ONNX 具有广泛兼容性、CoreML 适用于 iOS 原生应用、TFLite 适用于 Android 和边缘设备、OpenVINO 可在英特尔硬件上优化性能。这使得 YOLO26 能轻松集成到现有工作流中，兼容几乎所有平台，从开发到生产的过渡更加顺畅。
• 量化技术支持：YOLO26 在量化方面表现出色，支持 INT8 部署，通过 8 位压缩减小了模型体积并提升了速度，且仅损失极少精度；同时支持半精度（FP16）推理，在支持的硬件上能够实现更快的推理，在不同硬件环境下都能保持一致的性能表现，无论是在强大的服务器还是紧凑的边缘设备上都能可靠运行。