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线上线下混合活动 YOLO Vision 2025 (YV25) 上，我们的创始人兼 CEO Glenn Jocher 正式宣布推出 Ultralytics YOLO 系列的最新模型 Ultralytics YOLO26。我们的新款计算机视觉模型 YOLO26 采用精简架构，兼顾速度、精度和部署便利性，可分析并解读图像和视频。

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，并提供灵活的集成和部署选项。

切换到 Ultralytics YOLO26 毫不费力，我们迫不及待想看到用户亲自体验它。YOLO26 于 2026 年 1 月 14 日正式发布，现在可通过 Ultralytics Python 软件包和 Ultralytics Platform 使用。

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

简单来说，Ultralytics YOLO26 是一款更出色、更快速、更小巧的视觉 AI 模型。本文将介绍 Ultralytics YOLO26 的主要功能及其优势。

借助 Ultralytics YOLO26 推动视觉 AI 的发展边界#

在介绍 Ultralytics YOLO26 的主要功能及其支持的应用之前，先来看看推动这一模型研发的灵感和动机。

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，我们希望让每个人都能无障碍地使用视觉 AI。另一方面，我们也同样致力于保持技术领先，不断拓展计算机视觉模型的能力边界。

推动这一使命的一个关键因素是 AI 领域始终在不断发展。例如，边缘 AI 是指直接在设备上运行 AI 模型，而不是依赖云端；这项技术正在各行各业迅速普及。

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轻、更快，同时仍能保持同样高的准确率。

这就是我们不断改进 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 的优势，同时仍然提供顶级性能。”

Ultralytics YOLO26 概览#

YOLO26 开箱即提供五种不同的模型变体，让你可以灵活地将其能力应用于各种规模的场景。与之前的 Ultralytics YOLO 模型一样，所有这些模型变体都支持多种计算机视觉任务。这意味着无论你选择哪种尺寸，都可以依靠 YOLO26 提供丰富的功能，与 Ultralytics YOLO11 非常相似。

下面概述了 Ultralytics YOLO26 支持的计算机视觉任务：

• 对象检测：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：Ultralytics YOLO26 不仅能进行检测，还能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，并为其分配特定类别或标签。
• 姿态估计：Ultralytics YOLO26 可以检测关键点，并估计人以及其他对象的姿态。
• 定向边界框 (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与图像边框不平行。
• 对象跟踪：Ultralytics YOLO26 可用于在视频帧或实时流中跟踪对象。

图 2. 使用 Ultralytics YOLO26 检测图像中的对象。

了解 Ultralytics YOLO26 的架构#

现在我们已经更清楚 Ultralytics YOLO26 的能力，接下来看看它在架构方面的一些创新。

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

通过端到端（E2E）推理选项，预测流程也得到了简化，模型可以跳过传统的非极大值抑制（NMS）步骤。这项改进降低了复杂性，让模型更快地给出结果，从而简化真实应用中的部署。

其他改进则让模型更加智能、可靠。渐进式损失平衡（ProgLoss）有助于稳定训练并提高精度，而小目标感知标签分配（STAL）则确保模型能更有效地检测小物体。此外，全新的 MuSGD 优化器可加快训练收敛并提升整体性能。

事实上，Ultralytics YOLO26 最小的 nano 版本如今在标准 CPU 上的运行速度最高可比 YOLO11n 快 43%，因此特别适合移动应用、智能摄像头和其他对速度与效率要求极高的边缘设备。下面快速回顾一下 YOLO26 的功能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 都能生成适配对象的边界框，同时运行效率更高。
• 端到端无 NMS 推理：Ultralytics YOLO26 新增了一个可选模式，无需使用非极大值抑制 (NMS)。这一步通常用于移除重复预测，因此该模式能让实时应用的部署更简单、更快速。
• 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）优势的新优化器，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。

借助 Ultralytics YOLO26 简化部署#

无论你开发的是移动应用、智能摄像头还是企业系统，部署 YOLO26 都简单灵活。Ultralytics Python 软件包支持数量持续增长的导出格式，因此可以轻松将 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：可实现最高 GPU 加速的 TensorRT、兼容性广泛的 ONNX、适用于原生 iOS 应用的 CoreML、适用于 Android 和边缘设备的 TFLite，以及可在 Intel 硬件上优化性能的 OpenVINO。这种灵活性让你可以轻松地将 Ultralytics YOLO26 从开发阶段部署到生产环境，无需额外障碍。

部署的另一个关键环节是确保模型能在资源有限的设备上高效运行，这就需要用到量化。得益于简化的架构，Ultralytics YOLO26 能很好地支持量化。它支持 INT8 部署（使用 8 位压缩来减小模型尺寸、提升速度，同时尽可能减少精度损失），也支持半精度（FP16），以便在受支持的硬件上加快推理。

最重要的是，Ultralytics YOLO26 在这些量化级别下都能保持稳定的性能，因此无论是在高性能服务器还是紧凑型边缘设备上运行，你都可以信赖它。

从机器人到制造业：Ultralytics YOLO26 的应用场景#

Ultralytics YOLO26 可应用于各行各业的多种计算机视觉场景。从机器人到制造业，它都能通过改进工作流、实现更快速且更准确的决策，产生显著影响。

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，对象操作更加精准，还能让机器人与人协作时更加安全。

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。

总体而言，Ultralytics YOLO26 更出色、更快速、更轻量，因此能够轻松适应各种环境，从轻量级边缘设备到大型企业系统都能胜任。这使其成为寻求提升效率、准确率和可靠性的行业的实用选择。

要点#

Ultralytics YOLO26 是一款更出色、更快速、更轻量的计算机视觉模型，同时易于使用且性能强劲。它适用于多种任务和平台，自 2026 年 1 月发布以来已向所有人开放。我们迫不及待想看到社区如何利用它打造新解决方案，并拓展计算机视觉的能力边界。

加入我们不断壮大的社区！访问我们的 GitHub 代码库，深入了解 AI。访问我们的解决方案页面，了解零售业计算机视觉和汽车行业 AI等创新应用。现在就开始构建计算机视觉应用，查看我们的许可选项。