认识 Ultralytics YOLO26：更好、更快、更小的 YOLO 型号

9 月 25 日，在伦敦举行的年度混合盛会YOLO Vision 2025（YV25）上，公司创始人兼首席执行官格伦-乔彻（Glenn Jocher）正式宣布了 Ultralytics YOLO 模型系列的最新突破--Ultralytics YOLO26！我们的新型计算机视觉模型 YOLO26 可以分析和解释图像和视频，其精简的架构兼顾了速度、准确性和易部署性。

Ultralytics YOLO26简化了模型设计的各个方面，并增加了新的增强功能，同时还继续提供用户熟悉的Ultralytics YOLO模型功能。例如，Ultralytics YOLO26 易于使用，支持一系列计算机视觉任务，并提供灵活的集成和部署选项。

毋庸置疑，这使得用户可以轻松地转而使用 Ultralytics YOLO26，我们已经迫不及待地想看到用户在 10 月底公开发售时亲身体验它了。

‍

简而言之，Ultralytics YOLO26 是一款更好、更快、更小的 Vision AI 模型。在本文中，我们将探讨 Ultralytics YOLO26 的主要功能及其带来的好处。让我们开始吧！

通过 Ultralytics YOLO26 推动视觉人工智能的发展

在深入了解 Ultralytics YOLO26 的主要功能及其应用之前，让我们回过头来讨论一下这款机型的开发灵感和动机。

在 Ultralytics，我们始终坚信创新的力量。从一开始，我们就肩负着双重使命。一方面，我们希望让人工智能技术普及，让所有人都能毫无障碍地使用它。另一方面，我们同样致力于保持其尖端地位，不断突破计算机视觉模型的极限。

这一使命背后的一个关键因素是，人工智能领域一直在不断发展。例如，边缘人工智能涉及直接在设备上运行人工智能模型，而不是依赖云，目前正被各行各业迅速采用。

从智能相机到自主系统，人们现在都希望边缘设备能够实时处理信息。这种转变要求模型更轻、更快，同时仍能提供同样高的精度。

因此，我们需要不断改进我们的 Ultralytics YOLO 模型。正如 Glenn Jocher 所说："最大的挑战之一就是确保用户能够最大限度地利用 YOLO26，同时还能提供最佳性能。

Ultralytics YOLO26概览

YOLO26 开箱即有五种不同的型号可供选择，让您可以在任何规模的应用中灵活利用其功能。
与之前的 Ultralytics YOLO 型号一样，所有这些型号都支持多种计算机视觉任务。这意味着，无论您选择哪种尺寸，您都可以依靠 YOLO26 提供广泛的功能，就像Ultralytics YOLO11 一样。

以下是 YOLO26 支持的计算机视觉任务概览：

物体检测：
‍
实例分割：比检测更进一步，YOLO26 可以在识别的每个对象周围生成像素完美的边界。
‍
图像分类：该模型可分析整幅图像，并将其归入特定类别或标签。
姿势估计：YOLO26 可以检测关键点，并估算人类和其他物体的姿态。
定向边界框 (OBB)：该模型可以检测任何角度的物体，尤其适用于航拍、无人机和卫星图像，因为在这些图像中，建筑物、车辆或农作物等物体可能不会与图像框架对齐。
物体跟踪：YOLO26 可用于跟踪视频帧或实时流中的物体。

‍

了解 YOLO26 的结构

既然我们已经对 YOLO26 的功能有了更深入的了解，下面就让我们来了解一下它在架构上的一些创新。

通过移除分布焦点损失（DFL）模块，简化了模型的设计，该模块以前会减慢推理速度并限制边界框回归。

此外，还通过端到端（E2E）推理选项简化了预测过程，使模型跳过了传统的非最大值抑制（NMS）步骤。这一改进降低了复杂性，使模型能更快地提供结果，从而更容易在实际应用中部署。

其他改进使模型更智能、更可靠。渐进损失平衡（ProgLoss）有助于稳定训练并提高准确性，而小目标感知标签分配（STAL）则确保模型更有效地检测到小目标。此外，新的 MuSGD 优化器提高了训练收敛性并提升了整体性能。

事实上，YOLO26 的最小版本（nano 型号）现在在标准 CPU 上的运行速度提高了 43%，特别适合移动应用程序、智能相机和其他对速度和效率要求极高的边缘设备。

以下是 YOLO26 的功能和用户可以期待的功能的快速回顾：

DFL 移除： 我们从模型架构中移除了分布焦距损失模块。无论图像中物体的大小如何，YOLO26 都能放置量身定制的边界框，同时运行效率更高。
‍
端到端无 NMS 推断：
‍
ProgLoss 和 STAL： 这些改进使训练更加稳定，并显著提高了准确性，尤其是在检测复杂场景中的小物体时。
‍
MuSGD 优化器：YOLO26 采用了一种新的优化器，结合了两种训练优化器（Muon 和 SGD）的优势，帮助模型更快地学习并达到更高的精度。

‍

使用 Ultralytics YOLO 简化部署26

无论是移动应用程序、智能相机还是企业系统，部署 YOLO26 都非常简单灵活。Ultralytics Python软件包支持不断增加的导出格式，这使得YOLO26很容易集成到现有的工作流程中，并与几乎所有平台兼容。

其中一些导出选项包括用于最大化 GPU 加速的 TensorRT、用于广泛兼容性的 ONNX、用于原生 iOS 应用程序的 CoreML、用于安卓和边缘设备的 TFLite 以及用于优化英特尔硬件性能的 OpenVINO。这种灵活性使 YOLO26 从开发到生产变得简单易行，没有额外的障碍。

部署的另一个关键部分是确保模型在资源有限的设备上高效运行。这就是量化的作用所在。得益于其简化的架构，YOLO26 可以很好地处理这一点。它支持 INT8 部署（使用 8 位压缩来减小尺寸和提高速度，同时将精度损失降到最低）以及半精度 (FP16)，以便在支持的硬件上实现更快的推理。

最重要的是，YOLO26 在这些量化级别上都能提供一致的性能，因此，无论是在功能强大的服务器上运行，还是在结构紧凑的边缘设备上运行，您都可以信赖它。

从机器人到制造业：YOLO26 的使用案例

YOLO26 可广泛应用于各行各业的计算机视觉应用中。从机器人技术到制造业，它都能通过改进工作流程和实现更快、更准确的决策产生重大影响。

例如，机器人技术就是一个很好的例子，YOLO26 可以帮助机器人实时解读周围环境。这使得导航更加顺畅，物体处理更加精确。它还能使机器人与人的协作更加安全。

另一个例子是制造业，该模型可用于缺陷检测。与人工检测相比，它可以更快、更准确地自动识别生产线上的缺陷。

‍

总体而言，由于 YOLO26 性能更好、速度更快、重量更轻，因此可以轻松适应从轻型边缘设备到大型企业系统等各种环境。因此，对于希望提高效率、准确性和可靠性的行业来说，YOLO26 是一个实用的选择。

主要收获

Ultralytics YOLO26 是一款更好、更快、更轻的计算机视觉模型，同时保持了易用性和强大的性能。它适用于各种任务和平台，将于 10 月底向所有人开放。我们迫不及待地想看到社区如何使用它来创建新的解决方案并推动计算机视觉的发展。

加入我们不断壮大的社区！探索我们的GitHub 存储库，了解有关人工智能的更多信息。访问我们的解决方案页面，了解零售业中的计算机视觉和汽车行业中的人工智能等创新技术。要立即开始使用计算机视觉进行构建，请查看我们的许可选项。