隆重推出 Ultralytics YOLO26：一个更好、更快、更小的 YOLO 模型

9 月 25 日，在伦敦举行的年度混合活动 YOLO Vision 2025 (YV25) 上，我们的创始人兼首席执行官 Glenn Jocher 正式宣布了 Ultralytics YOLO 模型系列的最新突破，Ultralytics YOLO26！我们新的计算机视觉模型 YOLO26 可以通过简化的架构分析和解释图像和视频，从而平衡速度、准确性和易于部署性。 

虽然Ultralytics YOLO26简化了模型设计的某些方面并增加了新的增强功能，但它仍然提供用户期望从 Ultralytics YOLO 模型中获得的熟悉功能。例如，Ultralytics YOLO26 易于使用，支持各种计算机视觉任务，并提供灵活的集成和部署选项。 

毋庸置疑，这使得切换到使用 Ultralytics YOLO26 变得轻松无忧，我们迫不及待地想看到用户在 10 月底公开可用时亲自体验它。 

​

简单来说，Ultralytics YOLO26 是一款更好、更快、更小的视觉 AI 模型。在本文中，我们将探讨 Ultralytics YOLO26 的主要功能及其带来的优势。让我们开始吧！ 

使用 Ultralytics YOLO26 突破视觉 AI 的界限

在深入探讨 Ultralytics YOLO26 的主要特性及其应用之前，让我们先回顾一下，讨论一下推动该模型开发的灵感和动机。

在 Ultralytics，我们一直坚信创新的力量。从一开始，我们的使命就是双重的。一方面，我们希望使视觉 AI 易于访问，以便任何人都可以无障碍地使用它。另一方面，我们同样致力于使其保持在最前沿，从而突破计算机视觉模型可以实现的界限。

这项任务背后的一个关键因素是人工智能领域总是在不断发展。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）正在各个行业中迅速采用。

从智能摄像头到自主系统，边缘设备现在需要实时处理信息。这种转变要求模型更轻、更快，同时仍能提供同样高水平的准确性。

因此，我们需要不断改进我们的 Ultralytics YOLO 模型。正如 Glenn Jocher 所说，“最大的挑战之一是确保用户能够充分利用 YOLO26，同时仍然提供最佳性能。”

Ultralytics YOLO26 概述

YOLO26 提供了五种不同的模型变体，使您可以灵活地在任何规模的应用中利用其功能。
所有这些模型变体都支持多种计算机视觉任务，就像以前的 Ultralytics YOLO 模型一样。这意味着无论您选择哪种尺寸，您都可以依靠 YOLO26 来提供广泛的功能，就像 Ultralytics YOLO11 一样。

以下是 YOLO26 支持的计算机视觉任务概述：

• 目标检测: YOLO26 可以在图像或视频帧中识别和定位多个对象。
  ‍
• 实例分割: YOLO26 在检测的基础上更进一步，可以围绕其识别的每个对象生成像素完美的边界。 
  ‍
• 图像分类：该模型可以分析整个图像并将其分配到特定的类别或标签。
  
  
• 姿态估计: YOLO26 可以检测人体以及其他物体的关键点并估计姿态。
  
  
• 定向边界框 (OBB): 该模型可以检测任何角度的物体，这对于建筑物、车辆或农作物等物体可能未与图像框架对齐的航空、无人机和卫星图像尤其有用。
  
  
• 物体追踪: YOLO26 可用于跨视频帧或实时流跟踪物体。

​

YOLO26 架构概览

既然我们对YOLO26的功能有了更深入的了解，那么让我们来了解一下其架构中的一些创新。

通过移除分配焦点损失 (DFL) 模块，该模型的设计得到了简化，该模块之前减慢了推理速度并限制了边界框回归。 

通过端到端 (E2E) 推理选项，预测过程也得到了简化，该选项允许模型跳过传统的非极大值抑制 (NMS) 步骤。这种增强降低了复杂性，并使模型能够更快地交付结果，从而更易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高准确性，而“小目标感知标签分配”（STAL）可确保模型更有效地检测小物体。最重要的是，一种新的 MuSGD 优化器改进了训练收敛性并提高了整体性能。

事实上，YOLO26 的最小版本，即 nano 模型，现在在标准 CPU 上的运行速度提高了 43%，使其特别适合移动应用程序、智能相机和其他对速度和效率至关重要的边缘设备。

以下是 YOLO26 功能的快速回顾以及用户可以期待的内容：

• DFL移除：我们从模型架构中移除了Distribution Focal Loss模块。无论图像中的物体大小如何，YOLO26都可以放置量身定制的边界框，同时运行效率更高。
  ‍
• 端到端无NMS推理：YOLO26 增加了一个可选模式，该模式不需要非极大值抑制（NMS），NMS 通常用于删除重复的预测，从而简化部署并加快实时使用速度。
  ‍
• ProgLoss 和 STAL：这些改进使训练更加稳定，并显着提高了准确性，尤其是在复杂场景中检测小物体时。
  ‍
• MuSGD优化器： YOLO26使用一种新的优化器，该优化器结合了两种训练优化器（Muon和SGD）的优势，从而帮助模型更快地学习并达到更高的准确率。

​

使用 Ultralytics YOLO26 简化部署 

无论您是在开发移动应用、智能相机还是企业系统，部署 YOLO26 都简单而灵活。Ultralytics Python 包支持不断增长的导出格式，这使得将 YOLO26 轻松集成到现有工作流程中，并使其与几乎所有平台兼容。 

一些导出选项包括用于最大 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 Android 和边缘设备的 TFLite 以及用于优化 Intel 硬件性能的 OpenVINO。这种灵活性使得 YOLO26 能够直接从开发过渡到生产，而无需额外的障碍。

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。这就是量化的用武之地。由于其简化的架构，YOLOv8 在这方面表现出色。它支持 INT8 部署（使用 8 位压缩来减小尺寸并提高速度，同时最大限度地减少精度损失），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 在这些量化级别上提供一致的性能，因此无论它是在功能强大的服务器还是紧凑的边缘设备上运行，您都可以依赖它。

从机器人到制造业：YOLO26 的用例 

YOLO26 可用于许多不同行业和用例中的各种计算机视觉应用。从机器人技术到制造业，它可以通过改进工作流程并实现更快、更准确的决策来产生重大影响。

例如，在机器人技术领域，YOLO26 可以帮助机器人实时理解周围环境，从而使导航更流畅、物体处理更精确，并实现与人员更安全的协作。

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。

​

一般来说，由于 YOLO26 更好、更快、更轻，因此它可以轻松适应各种环境，从轻量级边缘设备到大型企业系统。这使其成为希望提高效率、准确性和可靠性的行业的实用选择。

主要要点 

Ultralytics YOLO26 是一款计算机视觉模型，它更优秀、更快速、更轻量，同时保持易用性并提供强大的性能。它适用于广泛的任务和平台，并将于 10 月底向所有人开放。我们迫不及待地想看看社区如何使用它来创建新的解决方案并突破计算机视觉的界限。

加入我们不断壮大的社区！探索我们的GitHub 代码仓库，以了解更多关于人工智能的信息。访问我们的解决方案页面，了解零售领域的计算机视觉和汽车行业的人工智能等创新应用。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。