认识 Ultralytics YOLO26：一个更好、更快、更小的 YOLO 模型
探索最新的 Ultralytics YOLO 模型——Ultralytics YOLO26，及其尖端功能，这些功能支持速度、准确性和部署能力之间的最佳平衡。
9 月 25 日，在伦敦举办的年度混合活动 YOLO Vision 2025 (YV25) 上，我们的创始人兼首席执行官 Glenn Jocher 正式发布了 Ultralytics YOLO 模型系列的最新突破——Ultralytics YOLO26！我们全新的计算机视觉模型 YOLO26 采用了一种精简的架构，在速度、准确性和部署简易性之间实现了平衡，能够有效分析和解读图像与视频。
虽然 Ultralytics YOLO26 简化了模型设计并增加了多项增强功能，但它依然保留了用户所熟悉的 Ultralytics YOLO 模型特性。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。
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 YOLO26 进行图像目标检测的示例。
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！
Link to this section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，我们的使命就有两个方面。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；另一方面，我们也致力于保持技术领先，不断突破 计算机视觉模型 的能力边界。
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。”
Link to this sectionUltralytics YOLO26 概览#
YOLO26 开箱即用，提供五种不同的模型版本，让你能灵活地在各种规模的应用中发挥其效能。与以往的 Ultralytics YOLO 模型一样，所有这些版本均支持多种计算机视觉任务。这意味着无论你选择哪种尺寸，你都可以信赖 YOLO26，就像使用 Ultralytics YOLO11 一样，获得广泛的应用支持。
以下是 YOLO26 支持的 计算机视觉任务 概览：
- 目标检测：YOLO26 可以识别并定位图像或视频帧中的多个目标。
- 实例分割：在检测基础上更进一步，YOLO26 可以为识别出的每个目标生成像素级精准的边界。
- 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：YOLO26 可以检测关键点并估计人类以及其他物体的姿态。
- 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。
- 目标追踪：YOLO26 可用于跨视频帧或实时流追踪目标。
图 2. 使用 YOLO26 检测图像中的目标。
Link to this section深入了解 YOLO26 的架构#
现在我们对 YOLO26 的功能有了更好的了解，让我们来看看其架构中的一些创新之处。
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，YOLO26 的最小版本（Nano 模型）在标准 CPU 上的运行速度提升了高达 43%，这使其非常适合移动应用、智能摄像头以及其他对速度和效率有极高要求的边缘设备。以下是 YOLO26 功能及其用户期待点的简要回顾：
- 移除 DFL： 我们从模型架构中移除了分布焦点损失模块。无论图像中的目标大小如何，YOLO26 都能在保持高效运行的同时，生成定制化的边界框。
- 端到端无 NMS 推理： YOLO26 增加了一个可选模式，无需 非极大值抑制 (NMS)（通常用于消除重复预测的步骤），使得实时部署变得更简单、更快捷。
- 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： YOLO26 使用了一种全新的优化器，结合了两种训练优化器 (Muon 和 SGD) 的优势，有助于模型更快地学习并达到更高的精度。
图 3. YOLO26 基准测试。
Link to this section通过 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 都简单且灵活。Ultralytics Python 软件包 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，并使其能够兼容几乎任何平台。
部分导出选项包括：用于极致 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 YOLO26 从开发环境带入生产环境变得顺畅，无需克服额外障碍。
部署的另一个关键部分是确保模型在资源受限的设备上高效运行，而量化正是解决这一问题的核心。得益于其简化的架构，YOLO26 在这方面表现尤为出色。它支持 INT8 部署（通过 8 位压缩在极小的精度损失下减小体积并提升速度）以及用于在受支持硬件上加快推理的半精度 (FP16)。
最重要的是，YOLO26 在这些量化级别上都保持了一致的性能表现，因此无论是在强大的服务器上运行，还是在紧凑的边缘设备上，你都可以信赖它。
Link to this section从机器人到制造业：YOLO26 的应用案例#
YOLO26 可用于各行各业的广泛计算机视觉应用中。从机器人到制造业，它能通过改进工作流并实现更快、更准确的决策来产生显著影响。
例如，在 机器人技术 领域，YOLO26 可以帮助机器人实时解读周边环境。这使得导航更加顺畅，目标处理更加精准，也让与人类的协作更加安全。
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、更准确地自动识别生产线上的瑕疵。
图 4. 使用 YOLO26 在制造工厂中检测瓶子。
总的来说，由于 YOLO26 更好、更快且更轻量，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。对于追求效率、准确性和可靠性的行业而言，它是务实之选。
Link to this section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。
加入我们日益壮大的 社区！浏览我们的 GitHub 仓库 以了解更多 AI 知识。通过访问我们的解决方案页面，探索诸如 零售计算机视觉 和 汽车 AI 等创新技术。想要即刻开始构建你的计算机视觉项目，请查阅我们的 许可选项。
