认识 Ultralytics YOLO26：一个更好、更快、更小的 YOLO 模型

9月25日，在我们在伦敦举办的年度混合活动YOLO Vision 2025 (YV25)上，我们的创始人兼CEO Glenn Jocher 正式宣布了 Ultralytics YOLO 模型系列的最新突破——Ultralytics YOLO26！我们的全新计算机视觉模型 YOLO26 能够通过精简的架构分析和解释图像与视频，在速度、准确率和部署便捷性之间实现平衡。

尽管Ultralytics YOLO26简化了模型的某些设计并加入了新的增强功能，但它仍然延续了用户对 Ultralytics YOLO 模型所期望的熟悉功能。例如，Ultralytics 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。

毋庸置疑，这使得迁移到 Ultralytics YOLO26 变得毫无压力。当它在 10 月底正式公开发布时，我们非常期待看到用户亲自体验后的表现。

图 1. 使用 Ultralytics YOLO26 检测图像中物体的示例。

简而言之，Ultralytics YOLO26 是一款更好、更快、更轻量的视觉 AI 模型。在本文中，我们将探讨 Ultralytics YOLO26 的关键功能及其带来的价值。让我们开始吧！

借助 Ultralytics YOLO26 突破视觉 AI 的边界#

在深入了解 Ultralytics YOLO26 的关键功能及其应用场景之前，让我们先退后一步，探讨一下驱动这款模型开发的灵感与动机。

在 Ultralytics，我们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 变得触手可及，让任何人都能无障碍地使用它。另一方面，我们同样致力于将其保持在最前沿，不断突破计算机视觉模型所能达到的极限。

推动这一使命的关键因素在于 AI 领域始终在不断演进。例如，边缘 AI——即直接在设备上运行 AI 模型而非依赖云端——正迅速在各行各业得到采用。

从智能摄像头到自动驾驶系统，边缘设备现在需要实时处理信息。这种转变要求模型在保持高精度水平的同时，变得更轻、更快。

这就是为什么我们需要不断改进 Ultralytics YOLO 模型。正如 Glenn Jocher 所言：“最大的挑战之一是确保用户能够充分利用 YOLO26 的潜力，同时依然获得顶级性能。”

Ultralytics YOLO26 概览#

YOLO26 开箱即提供五种不同的模型变体，让你能够灵活地将其实力应用到任何规模的应用程序中。与先前的 Ultralytics YOLO 模型一样，所有这些模型变体都支持多个计算机视觉任务。这意味着无论你选择哪种尺寸，都可以依靠 YOLO26 提供广泛的功能，这非常类似于Ultralytics YOLO11。

以下是 Ultralytics YOLO26 支持的计算机视觉任务概述：

• 目标检测：Ultralytics YOLO26 可以识别并定位图像或视频帧中的多个对象。
• 实例分割：比检测更进一步，Ultralytics YOLO26 可以在其识别的每个对象周围生成像素级的精确边界。
• 图像分类：模型能够分析整张图像并将其分配给特定的类别或标签。
• 姿态估计：Ultralytics YOLO26 可以检测人体以及其他对象的关键点并估计其姿态。
• 旋转目标检测 (OBB)：模型可以检测任意角度的目标，这在航空、无人机和卫星影像中尤为有用，因为建筑物、车辆或农作物等物体可能并不与图像帧对齐。
• 目标跟踪：Ultralytics YOLO26 可用于在视频帧或实时流中跟踪目标。

图 2. 使用 Ultralytics YOLO26 检测图像中的物体。

了解 Ultralytics YOLO26 的架构#

既然我们对 Ultralytics YOLO26 的功能有了更好的了解，接下来让我们看看其架构中的一些创新。

该模型的设计通过移除分布焦点损失 (DFL) 模块得到了精简，该模块此前会减慢推理速度并限制边界框回归。

预测过程也通过端到端 (E2E) 推理选项得到了简化，该选项允许模型跳过传统的非极大值抑制 (NMS) 步骤。这一增强降低了复杂度并使模型能更快交付结果，从而让在实际应用中的部署变得更加轻松。

其他改进使模型更加智能和可靠。渐进式损失平衡 (ProgLoss) 有助于稳定训练并提高精度，而小目标感知标签分配 (STAL) 确保了模型能更有效地检测小目标。此外，全新的 MuSGD 优化器改善了训练收敛性并提升了整体性能。

事实上，Ultralytics YOLO26 的最小版本（nano 模型）现在在标准 CPU 上的运行速度提升了多达 43%，这使其特别适合速度和效率至关重要的移动应用、智能摄像头和其他边缘设备。以下是 YOLO26 的功能以及用户可以期待的亮点快速回顾：

• **移除 DFL：**我们从模型的架构中移除了 Distribution Focal Loss 模块。无论图像中的对象大小如何，Ultralytics YOLO26 都能放置定制的边界框，同时运行效率更高。
• **端到端无 NMS 推理：**Ultralytics YOLO26 增加了一个可选模式，不需要通常用于移除重复预测的非极大值抑制 (NMS)，这使得实时使用的部署更加简单快捷。
• ProgLoss 和 STAL： 这些改进使训练更加稳定，并显著提高了准确性，尤其是在复杂场景中检测小目标时。
• **MuSGD 优化器：**Ultralytics YOLO26 使用了一种新的优化器，结合了两个训练优化器（Muon 和 SGD）的优点，帮助模型更快地学习并达到更高的准确率。

图 3. 对 Ultralytics YOLO26 进行基准测试。

通过 Ultralytics YOLO26 简化部署#

无论你是在开发移动应用、智能相机还是企业系统，部署 YOLO26 都既简单又灵活。Ultralytics Python package 支持不断增加的导出格式，这使得将 YOLO26 集成到现有工作流中变得轻而易举，并且几乎与任何平台都兼容。

部分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 应用的 CoreML、用于 Android 和边缘设备的 TFLite，以及用于在 Intel 硬件上优化性能的 OpenVINO。这种灵活性使得将 Ultralytics YOLO26 从开发顺利过渡到生产环境而没有额外障碍变得轻而易举。

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。这就是量化发挥作用的地方。由于其简化的架构，Ultralytics YOLO26 对此处理得异常出色。它支持 INT8 部署（使用 8 位压缩以减小体积并在准确率损失最小的情况下提高速度）以及用于在支持的硬件上实现更快推理的半精度 (FP16)。

最重要的是，Ultralytics YOLO26 在这些量化级别上提供了一致的性能，因此无论它是在强大的服务器上还是在紧凑的边缘设备上运行，你都可以信赖它。

从机器人到制造业：Ultralytics YOLO26 的应用场景#

Ultralytics YOLO26 可广泛应用于许多不同行业和用例中的各种计算机视觉应用程序中。从机器人到制造业，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，一个很好的例子是在机器人领域，Ultralytics YOLO26 可以帮助机器人实时解释其周围环境。这使得导航更平稳，物体处理更精准。它还实现了与人类更安全地协作。

另一个例子是制造业，该模型可用于缺陷检测。它能比人工检查更快速、更准确地自动识别生产线上的瑕疵。

图 4. 使用 Ultralytics YOLO26 检测制造工厂中的瓶子。

总的来说，由于 Ultralytics YOLO26 更好、更快、更轻量，它能轻松适应从轻量级边缘设备到大型企业系统的广泛环境。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。

关键要点#

Ultralytics YOLO26 是一款更好、更快、更轻量的计算机视觉模型，同时保持了易用性并交付了强劲的性能。它适用于广泛的任务和平台，并将在 10 月底面向所有人发布。我们迫不及待地想看到社区如何利用它来创建新的解决方案，并突破计算机视觉的边界。

加入我们不断壮大的社区！探索我们的GitHub 仓库以了解更多关于 AI 的知识。访问我们的解决方案页面，发现诸如零售计算机视觉和汽车行业 AI等创新成果。要立即开始构建计算机视觉应用，请查看我们的授权选项。