Ultralytics YOLO26 如何通过 ProgLoss、STAL 和 MuSGD 进行更智能的训练

上周，我们发布了 Ultralytics YOLO26，为面向边缘端、实时的计算机视觉模型树立了新标准。与之前的 Ultralytics YOLO models（例如 Ultralytics YOLO11）类似，YOLO26 支持用户熟悉的各项核心计算机视觉任务，包括目标检测、实例分割和姿态估计。

图 1：使用 Ultralytics YOLO26 对图像中的物体进行分割的示例。

不过，Ultralytics YOLO26 不仅仅是一次小幅更新。虽然支持的任务可能看起来很熟悉，但这个新模型在计算机视觉模型的训练方式上代表了创新的一步。在 YOLO26 中，焦点不仅限于推理效率，还延伸到了让训练更加稳定。

Ultralytics YOLO26 的设计充分考虑了完整的训练生命周期。这意味着更快的收敛速度、更可靠的训练过程以及一致的模型行为。这些改进在实际工作流程中尤为重要，因为训练的可靠性直接影响模型迭代和部署的速度。

为此，Ultralytics YOLO26 引入了几项针对性的训练创新，例如渐进式损失平衡（ProgLoss）、小目标感知标签分配（STAL）和 MuSGD 优化器。这些改变共同改进了学习损失的平衡方式、标签的分配方式以及优化随时间推移的表现。

在本文中，我们将探讨这些机制是如何工作的，以及为什么它们使 Ultralytics YOLO26 更易于训练且在大规模应用中更可靠。让我们开始吧！

Ultralytics YOLO26：旨在实现更智能的训练，而不只是更快的运行#

Ultralytics YOLO26 通过消除对 NMS 等后处理步骤的依赖，从本质上精简了整个推理管线。YOLO26 不再生成大量重叠的预测并对其进行过滤，而是直接从网络中生成最终的检测结果。

这使 YOLO26 an end-to-end 成为一个端到端模型，其中预测、重复消除和最终输出全部在网络内部完成学习。这不仅简化了部署并提高了推理效率，还塑造了模型在训练过程中的学习方式。

图 2. YOLO26 提供业界领先的端到端、无 NMS 推理（Source）

在这样的端到端系统中，训练和推理是紧密联系的。由于没有外部的后处理阶段来后续校正预测，模型必须在训练过程中学会做出清晰且自信的决策。

这使得训练目标与推理行为之间的一致性变得格外重要。模型训练方式与推理时的实际使用方式之间的任何不匹配，都可能导致训练不稳定或收敛变慢。

Ultralytics YOLO26 通过从一开始就围绕实际应用设计训练过程来解决这个问题。与仅关注推理速度不同，该训练系统旨在支持长时间运行时的稳定学习、从 Nano 到 Extra Large 等不同模型规模之间的一致收敛，以及在多样化数据集上的强大性能。

两个训练头如何改善 Ultralytics YOLO26 的学习效果#

Ultralytics YOLO26 的关键训练创新之一，基于之前 YOLO 模型所采用的双头训练方法。在目标检测模型中，“头”（head）是指网络中负责进行预测的部分。

换句话说，检测头学习预测图像中物体的位置以及物体的类别。它们通过回归 BBox 坐标来实现这一点，即学习估计输入图像中每个物体的位置和大小。

在训练期间，模型通过最小化损失来学习，这是一种数值度量，表示其预测结果与正确答案（即 ground truth）之间的差距。较低的损失意味着模型的预测更接近 ground truth，而较高的损失则表示误差更大。损失计算指导模型在训练期间如何更新其参数。

Ultralytics YOLO26 在训练期间使用两个检测头，它们共享相同的底层模型但服务于不同的目的。一对一检测头是推理时使用的检测头。它学会将每个对象与单一、自信的预测关联起来，这对于 YOLO26 的端到端、无 NMS 设计至关重要。

与此同时，一对多（one-to-many）头仅在训练期间使用。它允许将多个预测与同一个物体相关联，从而提供更密集的监督。这种更丰富的学习信号有助于稳定训练并提高准确性，尤其是在训练初期。

在 Ultralytics YOLO26 中，两个检测头在边界框回归和分类方面都使用相同的损失计算。早期的实现方式在整个训练过程中在两个损失信号之间应用了固定的平衡。

然而在实际应用中，每个头的重要性会随时间而变化。密集监督在早期最为有用，而与推理行为的一致性在训练后期变得更重要。Ultralytics YOLO26 正是围绕这一见解设计的，这直接引出了它如何在训练进行过程中重新平衡学习信号。

Ultralytics YOLO26 使用渐进式损失平衡#

那么，Ultralytics YOLO26 在训练期间如何处理这些不断变化的学习需求呢？它使用渐进式损失平衡（ProgLoss）来调整学习信号在不同时间段的权重。

ProgLoss 的工作原理是：随着训练的进行，动态调整每个头对总损失的贡献度。在早期，更多权重会被分配给一对多头，以稳定学习并提高召回率。随着训练继续，平衡逐渐向一对一头转移，使训练过程与推理行为更加一致。

这种渐进式过渡使 Ultralytics YOLO26 能够以正确的顺序进行学习。渐进式损失平衡（Progressive Loss Balancing）没有强迫模型同时优化相互竞争的目标，而是优先考虑训练每个阶段最有用的学习信号。其结果是更平滑的收敛、更少的不稳定训练运行以及更一致的最终性能。

STAL 如何帮助 Ultralytics YOLO26 学习小物体#

Ultralytics YOLO26 的另一个有趣的训练改进来自模型如何为预测分配训练目标，这个过程被称为标签分配。它负责将 ground truth 物体与候选预测（通常称为 anchors）进行匹配。

这些匹配决定了哪些预测接收监督并对损失做出贡献。Ultralytics YOLO26 基于现有的标签分配方法任务对齐学习（TAL），该方法旨在在训练期间更好地对齐分类和定位。

虽然 TAL 对大多数物体效果很好，但训练揭示了一个重要的局限性。在匹配过程中，非常小的物体可能会被完全丢弃。在实践中，在 640 像素输入图像中，小于约 8 像素的物体往往无法获得任何 anchor 分配。当这种情况发生时，模型几乎无法获得这些物体的监督信息，从而难以学会可靠地检测它们。

为了解决这个问题，Ultralytics YOLO26 引入了小目标感知标签分配（STAL）。STAL 修改了分配过程，以确保小对象在训练期间不会被忽略。具体而言，它为小于 8 像素的对象强制至少分配四个锚点。这保证了即使是极小的对象也能持续对训练损失做出贡献。

通过加强对小型目标的监督，STAL 提高了在小目标或远处目标常见场景下的学习稳定性和检测性能。这种改进对于边缘端 YOLO26 应用（例如航拍影像、机器人和物联网 (IoT) 系统）尤为重要，在这些系统中，目标通常较小、较远或部分可见，而可靠的检测至关重要。

Ultralytics YOLO26 引入了 MuSGD 优化器#

为了支持更稳定和可预测的训练，Ultralytics YOLO26 还引入了一种名为 MuSGD 的新优化器。该优化器旨在提高端到端检测模型的收敛速度和训练可靠性，尤其是随着模型规模和训练复杂度的增加。

为了让神经网络能够学习并相应地改变权重，我们在训练期间会计算误差（也称为“损失”）。因此，模型使用损失值来衡量其预测的错误程度，计算指示其参数应如何更改的梯度，然后更新这些参数以减少误差。Stochastic Gradient Descent (SGD) 是一种广泛使用的优化器，可执行这些更新，使训练变得高效且可扩展。

图 3. 随机梯度下降与梯度下降（Source）

MuSGD 基于这一熟悉的基石，结合了受 Muon 启发（这是一种用于大语言模型训练的方法）的优化思想。这些思想受到了 Moonshot AI 的 Kimi K2 等近期进展的影响，Kimi K2 展示了通过更结构化的参数更新来改善训练行为。

Ultralytics YOLO26 使用混合更新策略。一些参数使用受 Muon 启发的更新与 SGD 的组合来更新，而其他参数则仅使用 SGD。这使得 YOLO26 能够在优化过程中引入额外的结构，同时保持使 SGD 变得有效的鲁棒性和泛化特性。

其结果是更平滑的优化、更快的收敛以及跨模型规模更可预测的训练行为，这使得 MuSGD 成为 Ultralytics YOLO26 更易于训练且在大规模下更可靠的关键原因之一。

Ultralytics YOLO26 训练创新的意义#

Ultralytics YOLO26 的训练创新，结合其端到端、无 NMS 以及以边缘计算为先的设计等关键特性，使模型更易于训练且在大规模应用中更可靠。你可能想知道这对计算机视觉应用意味着什么。

图 4. YOLO26 的核心功能一览（Source）

实际上，这使得将计算机视觉带到它真正运行的地方变得更容易。模型训练更可预测，在不同规模下扩展更一致，并且更易于适配新数据集。这减少了实验与部署之间的摩擦，特别是在那些可靠性和效率与原始性能同样重要的环境中。

例如，在机器人和工业视觉应用中，随着环境、传感器或任务的变化，模型通常需要频繁重新训练。借助 Ultralytics YOLO26，团队可以更快地进行迭代，而不必担心训练运行不稳定或不同模型规模之间行为不一致。

关键要点#

可靠的计算机视觉系统既取决于模型的训练方式，也取决于模型在推理时的性能。通过改善学习信号的平衡方式、小对象的处理方式以及优化进展方式，Ultralytics YOLO26 使训练更加稳定且更易于扩展。这种对可靠训练的关注可帮助团队更顺畅地从实验过渡到真实世界部署，尤其是在边缘优先的应用中。

想了解有关 AI 的更多信息？访问我们的 GitHub repository 以发现更多内容。加入我们活跃的 community，了解 AI in logistics 和 vision AI in the automotive 等行业创新。立即开始使用计算机视觉，请查看我们的 licensing options。