认识 Ultralytics YOLO26：更出色、更快速、更小巧的 YOLO 模型

9 月 25 日，在我们于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 采用精简架构，在速度、准确率和部署便捷性之间实现了平衡，能够分析和解读图像与视频。

虽然 Ultralytics YOLO26 简化了模型设计的某些方面并加入了新的增强功能，但它也继续提供用户对 Ultralytics YOLO 模型所熟悉的功能。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，这让切换到 Ultralytics YOLO26 变得轻松无忧；我们迫不及待想看到它在 10 月底公开发布后被用户亲自体验。

图 1. 使用 Ultralytics YOLO26 检测图像中的对象示例。

简而言之，Ultralytics YOLO26 是一个更出色、更快速、更小巧的视觉 AI 模型。在本文中，我们将探索 Ultralytics YOLO26 的主要特性及其带来的变化。让我们开始吧！

使用 Ultralytics YOLO26 推动视觉 AI 突破边界#

在深入了解 Ultralytics YOLO26 的主要特性及其支持的应用之前，让我们先退一步，探讨推动这一模型开发的灵感与动机。

在 Ultralytics，我们始终相信创新的力量。从一开始，我们的使命就包含两个方面。一方面，我们希望让视觉 AI 更易于获得，使任何人都能无障碍地使用它。另一方面，我们同样致力于保持技术前沿，不断突破计算机视觉模型的能力边界。

这一使命背后的一个关键因素是，AI 领域始终在不断发展。例如，边缘 AI 正在各行各业快速普及。边缘 AI 指的是直接在设备上运行 AI 模型，而不是依赖云端。

从智能摄像头到自主系统，如今人们期望边缘设备能够实时处理信息。这一转变要求模型更加轻量、快速，同时仍能提供同样高水平的准确率。

这就是我们需要持续改进 Ultralytics YOLO 模型的原因。正如 Glenn Jocher 所说：“最大的挑战之一，是确保用户能够充分发挥 YOLO26 的价值，同时仍然提供顶尖性能。”

Ultralytics YOLO26 概览#

YOLO26 开箱即用，提供五种不同的模型变体，让你能够灵活地将其能力用于各种规模的应用。所有这些模型变体都支持多种计算机视觉任务，就像之前的 Ultralytics YOLO 模型一样。这意味着无论你选择哪种尺寸，都可以依靠 YOLO26 提供广泛的能力，与 Ultralytics YOLO11 类似。

下面概述了 Ultralytics YOLO26 支持的计算机视觉任务：

• 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：相比检测更进一步，Ultralytics YOLO26 可以为识别出的每个对象生成像素级精准的边界。
• 图像分类：该模型可以分析整张图像，并将其归入特定类别或标签。
• 姿态估计：Ultralytics YOLO26 可以检测关键点，并估计人体及其他对象的姿态。
• 旋转边界框（OBB）：该模型可以检测任意角度的对象，这对于航空、无人机和卫星图像尤其有用，因为建筑物、车辆或农作物等对象可能不会与图像边框对齐。
• 目标跟踪：Ultralytics YOLO26 可用于跨视频帧或实时流跟踪对象。

图 2. 使用 Ultralytics YOLO26 检测图像中的对象。

了解 Ultralytics YOLO26 的架构#

现在我们已经更好地了解了 Ultralytics YOLO26 的能力，接下来让我们一起看看其架构中的一些创新。

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

借助端到端（E2E）推理选项，预测过程也得到了简化，模型可以跳过传统的非极大值抑制（NMS）步骤。这项增强降低了复杂度，使模型能够更快地生成结果，从而简化真实应用中的部署。

其他改进让模型更加智能、可靠。渐进式损失平衡（ProgLoss）有助于稳定训练并提升准确率，而小目标感知标签分配（STAL）确保模型能够更有效地检测小对象。此外，全新的 MuSGD 优化器可以改善训练收敛并提升整体性能。

事实上，Ultralytics YOLO26 最小的版本——nano 模型——如今在标准 CPU 上的运行速度最高可提升 43%，因此尤其适合移动应用、智能摄像头及其他对速度和效率要求较高的边缘设备。下面快速回顾 YOLO26 的特性以及用户可以期待的内容：

• 移除 DFL： 我们从模型架构中移除了分布焦点损失模块。无论图像中的对象大小如何，Ultralytics YOLO26 都能在运行效率更高的同时生成适配的边界框。
• 端到端、无需 NMS 的推理： Ultralytics YOLO26 增加了一种可选模式，无需执行通常用于移除重复预测的非极大值抑制（NMS）步骤，从而让实时应用的部署更加简单、快速。
• ProgLoss 和 STAL： 这些改进让训练更加稳定，并显著提升准确率，尤其是在复杂场景中检测小对象时。
• MuSGD 优化器： Ultralytics YOLO26 使用了一种结合两种训练优化器（Muon 和 SGD）优势的新型优化器，帮助模型更快学习并达到更高准确率。

图 3. Ultralytics YOLO26 基准测试。

使用 Ultralytics YOLO26 简化部署#

无论你是在开发移动应用、智能摄像头还是企业系统，部署 YOLO26 都简单而灵活。Ultralytics Python 软件包支持数量不断增长的导出格式，因此你可以轻松将 YOLO26 集成到现有工作流中，并使其兼容几乎任何平台。

部分导出选项包括：用于最大化 GPU 加速的 TensorRT、具有广泛兼容性的 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 硬件上实现优化性能的 OpenVINO。这种灵活性让你可以轻松地将 Ultralytics YOLO26 从开发环境部署到生产环境，而无需额外克服障碍。

部署的另一个关键环节，是确保模型能够在资源有限的设备上高效运行。这正是量化发挥作用的地方。得益于其简化的架构，Ultralytics YOLO26 能够出色地处理量化。它支持 INT8 部署（使用 8 位压缩来减小尺寸并提升速度，同时将准确率损失降至最低），还支持半精度（FP16），以便在兼容硬件上加快推理速度。

最重要的是，Ultralytics YOLO26 在这些量化级别下都能提供稳定的性能，因此无论运行在高性能服务器还是小型边缘设备上，你都可以放心使用。

从机器人到制造业：Ultralytics YOLO26 的应用场景#

Ultralytics YOLO26 可用于众多行业和应用场景中的各种计算机视觉应用。从机器人到制造业，它可以通过改进工作流并支持更快速、更准确的决策，产生重大影响。

例如，在机器人领域，Ultralytics YOLO26 可以帮助机器人实时理解周围环境。这能让导航更加顺畅、对象处理更加精准，同时也支持机器人与人更安全地协作。

另一个例子是制造业，模型可用于缺陷检测。与人工检查相比，它能够更快速、更准确地自动识别生产线上的缺陷。

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

总的来说，由于 Ultralytics YOLO26 更出色、更快速、更轻量，它能够轻松适应从轻量级边缘设备到大型企业系统的各种环境。因此，对于希望提升效率、准确率和可靠性的行业来说，它是一个实用的选择。

要点总结#

Ultralytics YOLO26 是一个更出色、更快速、更轻量的计算机视觉模型，同时仍然易于使用并能提供强劲性能。它支持广泛的任务和平台，并将在 10 月底前向所有人开放。我们迫不及待想看到社区如何利用它创建新的解决方案，推动计算机视觉的边界。

加入不断壮大的社区！访问我们的 GitHub 代码库，进一步了解 AI。访问我们的解决方案页面，探索零售业中的计算机视觉和汽车行业中的 AI等创新。想立即开始使用计算机视觉构建解决方案，请查看我们的许可选项。