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，都可以依靠 YOLO26 提供广泛的功能，就像 Ultralytics YOLO11.

以下是 YOLO26 支持的计算机视觉任务概述：

• 物体检测：YOLO26 可以识别和定位图像或视频帧中的多个物体。
• ‍实例分割：YOLO26 比检测更进一步，它可以在识别出的每个物体周围生成像素完美的边界。 
• ‍图像分类：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detect 关键点，并估算人类和其他物体的姿势。
• 旋转框检测（Oriented bounding boxes）：该模型可以detect 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帧对齐。
• 物体跟踪：YOLO26 可用于track 视频帧或实时流中的物体。

​

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。 

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NMS 推断： YOLO26 增加了一种不需要非最大值抑制（NMS）的可选模式，而非最大值抑制通常是用于删除重复预测的一个步骤，这使得实时部署变得更简单、更快速。
• 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 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 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。