Ultralytics YOLO26：边缘优先视觉 AI 的新标准
了解 Ultralytics YOLO26 如何通过端到端、无 NMS 推理、更快的 CPU 性能和简化的生产部署，为边缘优先的视觉 AI 树立新标准。
今天，Ultralytics 正式发布 YOLO26，这是迄今最先进、最易部署的 YOLO 模型。YOLO26 首次在 YOLO Vision 2025 (YV25) 上公布，代表着计算机视觉模型在真实系统中的训练、部署和扩展方式发生了根本转变。
视觉 AI 正在快速向边缘端迁移。越来越多的图像和视频直接在设备、摄像头、机器人和嵌入式系统上处理，在这些场景中，延迟、可靠性和成本比原始云计算能力更重要。YOLO26 专为这一现实而设计，在 CPU、边缘加速器和低功耗硬件上高效运行，同时提供世界领先的性能。
虽然 YOLO26 实现了重大飞跃，但它仍然保留了开发者所依赖的熟悉、简洁的 Ultralytics YOLO 体验。它能够无缝融入现有工作流，支持广泛的视觉任务，并且依旧易于使用，让研究团队和生产团队都能轻松采用。
图 1。使用 Ultralytics YOLO26 进行目标检测的示例
本文将详细介绍你需要了解的 Ultralytics YOLO26 的全部内容，以及更轻量、更小巧、更快速的 YOLO 模型对视觉 AI 未来意味着什么。让我们开始吧！
Ultralytics YOLO26 为视觉 AI 设立新标准#
Ultralytics YOLO26 围绕这一理念构建：具有影响力的视觉 AI 能力应当人人都能轻松获得。我们相信，强大的计算机视觉工具不应被封闭起来，也不应仅限于少数组织使用。
在伦敦举行的 YV25 上，我们的创始人兼 CEO Glenn Jocher 分享了他对这一愿景的看法：“最令人惊叹的 AI 技术都被关在幕后。它们并不开放。大型公司控制着新的发展，而其他所有人都只能排队等待访问机会。在 Ultralytics，我们有着不同的愿景。我们希望 AI 掌握在每个人手中。”
他还解释说，这意味着要把 AI 从云端带入真实环境，并补充道：“我们希望这项技术不只是停留在云端，而是能够下沉到边缘设备、你的手机、车辆和低功耗系统中。我们也希望那些正在创造解决方案的优秀人才能够使用这项技术。”
YOLO26 在实践中体现了这一愿景：它专为视觉 AI 实际部署的场景而设计，而不是只针对最容易进行原型开发的环境。
深入解析 Ultralytics YOLO26：先进的视觉模型#
与早期的 Ultralytics YOLO 模型一样，YOLO26 在统一的模型系列中支持多种计算机视觉任务。它提供五种尺寸：Nano (n)、Small (s)、Medium (m)、Large (l) 和 Extra Large (x)，让团队可以根据部署限制在速度、准确率和模型大小之间进行权衡。
除了灵活性之外，YOLO26 还提升了性能标准。与 YOLO11 相比，YOLO26 Nano 模型的 CPU 推理速度最高提升 43%，使其成为目前可用于边缘端和基于 CPU 部署的最快高精度目标检测模型之一。
图 2。Ultralytics YOLO26 是先进的视觉模型。
下面详细介绍 YOLO26 支持的计算机视觉任务：
- 图像分类： YOLO26 可以分析整张图像并将其归入特定类别，帮助系统理解场景的整体语境。
- 目标检测： 该模型可以在图像或视频中查找并定位多个目标。
- 实例分割： YOLO26 可以以像素级细节勾勒出单个目标的轮廓。
- 姿态估计： 它可用于识别关键点并估计人员和其他目标的姿态。
- 定向边界框（OBB）检测： YOLO26 可以检测不同角度的目标，这对航空和卫星图像尤其有用。
- 目标跟踪： 结合 Ultralytics Python 包，YOLO26 可以在视频帧和实时流中跟踪目标。
所有任务都在统一框架内支持训练、验证、推理和导出。
Ultralytics YOLO26 背后的关键创新#
Ultralytics YOLO26 引入了多项核心创新，提升了推理速度和训练稳定性，并简化了部署流程。下面概览这些创新：
- 移除 Distribution Focal Loss (DFL)： 移除 DFL 模块可以简化边界框预测、提升硬件兼容性，并让模型更易于导出和在边缘设备及低功耗设备上运行。
- 端到端无 NMS 推理： YOLO26 被设计为原生端到端模型，可直接输出最终预测结果，无需非极大值抑制 (NMS)，从而降低推理延迟和部署复杂度。
- 渐进式损失平衡 + STAL： 这些改进的损失策略能够稳定训练并提升检测准确率，尤其适用于尺寸较小且难以检测的目标。
- MuSGD 优化器： YOLO26 使用一种新的混合优化器，将 SGD 与受 Muon 启发的优化技术相结合，从而实现更稳定的训练。
- CPU 推理速度最高提升 43%： YOLO26 针对边缘计算进行了专门优化，CPU 推理速度最高提升 43%，让边缘设备能够实现实时性能。
接下来，我们将详细介绍这些让 YOLO26 更快速、更高效且更易部署的新一代特性。
通过移除 Distribution Focal Loss 简化预测#
早期 YOLO 模型在训练期间使用 Distribution Focal Loss (DFL) 来提升边界框精度。虽然 DFL 效果显著，但它引入了额外复杂性，并施加了固定的回归限制，使导出和部署更具挑战性，尤其是在边缘和低功耗硬件上。
YOLO26 完全移除了 DFL。移除 DFL 消除了早期模型中存在的固定边界框回归限制，在检测非常大的目标时提升了可靠性和准确率。
通过简化边界框预测流程，YOLO26 更易于导出，并能在各种边缘和低功耗设备上更加可靠地运行。
使用 Ultralytics YOLO26 实现端到端无 NMS 推理#
传统的目标检测流程依赖非极大值抑制 (NMS) 作为后处理步骤，以过滤重叠预测结果。虽然 NMS 效果显著，但它会增加延迟、复杂性和脆弱性，尤其是在多个运行时和硬件目标之间部署模型时。
YOLO26 引入了原生端到端推理模式，模型可以直接输出最终预测结果，无需将 NMS 作为独立的后处理步骤。重复预测会在网络内部处理。
移除 NMS 可以降低延迟、简化部署流程并降低集成错误风险，使 YOLO26 特别适合实时部署和边缘部署。
通过渐进式损失平衡 + STAL 提升识别能力#
与训练相关的一项重要特性是引入渐进式损失平衡 (ProgLoss) 和小目标感知标签分配 (STAL)。这些改进的损失函数有助于稳定训练并提升检测准确率。
ProgLoss 帮助模型在训练期间更加稳定地学习，减少不稳定性并使其更平滑地收敛。同时，STAL 专注于改善模型从小目标中学习的方式，因为小目标通常由于视觉细节有限而更难检测。
ProgLoss 和 STAL 结合后，可以带来更可靠的检测结果，并显著提升小目标识别能力。这对于物联网 (IoT)、机器人和航空图像等边缘应用尤其重要，因为其中的目标通常较小、较远或只有部分可见。
使用 MuSGD 优化器实现更稳定的训练#
在 YOLO26 中，我们采用了一种名为 MuSGD 的新优化器，旨在让训练更加稳定和高效。MuSGD 是一种混合方法，将传统随机梯度下降 (SGD) 的优势与受 Muon 启发的技术相结合；Muon 是一种用于大语言模型 (LLM) 训练的优化器。
得益于简单性和强大的泛化能力，SGD 长期以来一直是计算机视觉领域的可靠选择。与此同时，近期的大语言模型训练进展表明，在谨慎应用的情况下，较新的优化方法可以提升稳定性和速度。MuSGD 将其中一些理念引入了计算机视觉领域。
受 Moonshot AI 的 Kimi K2 启发，MuSGD 融入了有助于模型在训练期间更平滑收敛的优化策略。这使 YOLO26 能够更快达到出色性能，同时减少训练不稳定性，尤其是在更大规模或更复杂的训练设置中。
MuSGD 帮助 YOLO26 在不同模型尺寸下实现更可预测的训练，同时提升性能并增强训练稳定性。
Ultralytics YOLO26 的 CPU 推理速度最高提升 43%#
随着视觉 AI 不断向数据生成源头靠近，强大的边缘性能变得越来越重要。YOLO26 针对边缘计算进行了专门优化，CPU 推理速度最高提升 43%，即使在没有 GPU 的设备上也能确保实时性能。这项改进让响应迅速且可靠的视觉系统能够直接运行在摄像头、机器人和嵌入式硬件上，而延迟、效率和成本限制决定了这些场景的可行性。
Ultralytics YOLO26 支持的计算机视觉任务得到改进#
除了让目标检测更加准确的架构改进之外，YOLO26 还包含针对具体任务的优化，旨在提升各种计算机视觉任务的性能。例如，它通过有针对性的更新增强了实例分割、姿态估计和定向边界框检测的准确率与可靠性。
下面概览这些优化：
- 实例分割： YOLO26 使用语义分割损失来改善模型在训练期间的学习方式，从而生成更准确、更一致的实例掩码。升级后的 proto 模块还支持使用多尺度信息，让模型能够更有效地处理不同大小的目标，即使是在复杂场景中也是如此。
- 姿态估计： YOLO26 集成了残差对数似然估计 (RLE)，这是一种对关键点预测中的不确定性进行建模的技术，同时改进了解码流程，从而以更好的实时性能提供更准确的关键点。
- 定向边界框检测： YOLO26 引入了专用的角度损失，帮助模型更准确地学习目标旋转，尤其适用于方向可能存在歧义的方形目标。优化后的 OBB 解码还减少了旋转边界附近角度预测的突然跳变，从而带来更稳定、更一致的方向估计。
图 3。使用 Ultralytics YOLO26 进行实例分割。
Ultralytics YOLOE-26：基于 YOLO26 构建的开放词汇分割#
Ultralytics 还将推出 YOLOE-26，这是一个基于 YOLO26 架构和训练创新构建的新型开放词汇分割模型系列。
YOLOE-26 不是一项新任务或新功能，而是一个专用模型系列。它复用了现有的分割任务，同时支持文本提示、视觉提示和无提示推理。YOLOE-26 覆盖所有标准 YOLO 尺寸，相较早期开放词汇分割模型，能够提供更高的准确率和更可靠的真实场景性能。
Ultralytics YOLO26 专为视觉 AI 的实际运行场景而打造#
从视觉驱动的摄像头，到由计算机视觉提供支持的机器人，再到边缘端的微型处理芯片，计算机视觉和 AI 正被直接部署到设备上，以实现实时推理。Ultralytics YOLO26 专为这些环境打造，在这里，低延迟、高效率和可靠性能至关重要。
在实际应用中，这意味着 YOLO26 可以轻松部署到各种硬件上。具体来说，通过 Ultralytics Python 包及其丰富的集成，模型可以导出为针对不同平台和硬件加速器优化的格式。
例如，导出为 TensorRT 可以在 NVIDIA GPU 上实现高性能推理，CoreML 支持在 Apple 设备上进行原生部署，而 OpenVINO 则可优化 Intel 硬件上的性能。YOLO26 还可以导出并运行于多个专用边缘加速器，从而在专业 Edge AI 硬件上实现高吞吐量、节能的推理。
这些只是少数示例，边缘环境和生产环境还支持更多集成。这种灵活性让单个 YOLO26 模型能够运行在各种部署目标上。它简化了生产工作流，并推动视觉 AI 更贴近边缘端。
重新定义各行业的计算机视觉应用场景#
YOLO26 专为真实世界部署而设计，可用于不同行业广泛的计算机视觉应用场景。下面是一些应用示例：
-
机器人：YOLO26 可用于导航、障碍物检测和目标交互等任务。这些能力支持机器人在动态环境中安全高效地运行。
-
制造业：在生产线上，YOLO26 可以分析图像和视频，以识别缺陷、缺失部件或流程问题。在设备上处理数据可以保持检测速度，并减少对云系统的依赖。
-
航空和无人机应用：部署在无人机上时，YOLO26 可以在飞行期间处理航空图像，用于检查、制图和测量。这使系统能够实时分析场景，即使是在偏远地区也能实现。
-
嵌入式和 IoT 系统：凭借轻量化设计，YOLO26 可以运行在低功耗嵌入式硬件上，在本地处理视觉数据。常见应用场景包括智能摄像头、联网传感器和自动监控设备。
-
智慧城市：在城市环境中，YOLO26 可以分析来自交通摄像头和公共空间摄像头的视频流。这使交通监控、公共安全和基础设施管理等应用能够在边缘端实现。
图 4。YOLO26 可用于各种计算机视觉应用。
开始使用 Ultralytics YOLO26#
你可以通过两种互补的工作流使用 Ultralytics YOLO26，具体取决于你构建和部署视觉 AI 的方式。
选项 1： 通过 Ultralytics Platform 使用 Ultralytics YOLO26（推荐）
Ultralytics Platform 提供了一种集中式方式，用于在生产环境中训练、部署和监控 YOLO26 模型。它将数据集、实验和部署集中到一个地方，让你更轻松地大规模管理视觉 AI 工作流，尤其适合将模型部署到边缘和生产环境的团队。
通过 Platform，你可以：
- 访问 YOLO26 模型
- 在自定义数据集上进行训练和微调
- 导出模型，用于边缘和生产环境部署
- 在单一工作流中监控实验和已部署的模型
👉 在 Ultralytics Platform 上探索 YOLO26：platform.ultralytics.com/ultralytics/yolo26
选项 2： 通过开源工作流使用 Ultralytics YOLO26
YOLO26 仍可通过 Ultralytics 的开源生态系统完整使用，并可结合现有的基于 Python 的工作流进行训练、推理和导出。
开发者可以安装 Ultralytics 包，加载预训练的 YOLO26 模型，并使用 ONNX、TensorRT、CoreML 或 OpenVINO 等熟悉的工具和格式进行部署。
pip install ultralyticsfrom ultralytics import YOLO
# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")
# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")对于喜欢亲自控制或使用自定义流程的用户，完整文档和指南可在 Ultralytics 文档中找到。
Ultralytics YOLO26：为计算机视觉的未来而打造#
Ultralytics YOLO26 旨在满足未来视觉 AI 解决方案的需求，届时模型必须快速、高效，并且能够轻松部署到真实硬件上。通过提升性能、简化部署并扩展模型能力，YOLO26 能够自然融入广泛的真实应用场景。YOLO26 为视觉 AI 的构建、部署和扩展方式设立了新的基线。我们期待看到社区如何利用它交付真实世界的计算机视觉系统。
加入不断壮大的社区，并探索我们的 GitHub 仓库，获取实践型 AI 资源。要立即开始构建视觉 AI，请探索我们的许可选项。访问我们的解决方案页面，了解 AI 在农业中的应用如何改变农业，以及机器人视觉 AI如何塑造未来。
