Ultralytics ：边缘优先视觉AI的新标杆

今日Ultralytics 推出YOLO26——迄今为止最先进且可YOLO 。该模型首次亮相YOLO 2025（YV25）大会，标志着计算机视觉模型在现实系统中的训练、部署与扩展方式实现了根本性变革。 

视觉人工智能正快速向边缘端迁移。图像和视频的处理日益直接在设备、摄像头、机器人及嵌入式系统上完成——这些场景中，延迟、可靠性和成本比纯粹的云端计算更为关键。YOLO26正是为应对这一现实而设计，它能在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表现。

尽管YOLO26实现了重大飞跃，但它依然保持着熟悉的、精简的 Ultralytics YOLO 体验。它能无缝融入现有工作流程，支持广泛的视觉任务，且保持易用性，使研究团队和生产团队都能轻松采用。

本文将全面Ultralytics 全部要点，并探讨更轻量、更小巧、更快速的YOLO 对视觉人工智能未来发展的深远意义。让我们开始吧！

Ultralytics 为视觉人工智能树立了新标杆

Ultralytics 基于这样一个理念：具有重大影响力的视觉人工智能能力应当让所有人轻松获取。我们坚信，强大的计算机视觉工具不应被封闭或仅限于少数组织使用。

在伦敦YV25峰会上，我们的创始人兼首席执行官格伦·乔克分享了对这一愿景的见解："最惊艳的人工智能技术都隐藏在闭门造车中。它们不公开共享。大型企业掌控着新技术发展，其他人只能排队等待使用。Ultralytics希望让人工智能触手可及。"

他还解释说，这意味着将人工智能从云端带入现实世界环境，并补充道："我们希望这项技术不仅停留在云端，还能被引入边缘设备、你的手机、车辆以及低功耗系统。同时，我们希望那些创造解决方案的杰出人才能够接触到这些技术。"

YOLO26在实践中体现了这一愿景：该模型专为实际部署视觉AI的场景而设计，而非仅适用于最易原型化的环境。

深度Ultralytics ：尖端视觉模型

Ultralytics YOLO 类似，YOLO26在单一统一的模型家族中支持多种计算机视觉任务。该模型提供五种规格：Nano（n）、Small（s）、Medium（m）、Large（l）和Extra Large（x），团队可根据部署限制在速度、准确性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CPU 提升高达43%，使其成为目前边缘计算和CPU部署领域中速度最快的高精度目标检测模型之一。

以下是YOLO26支持的计算机视觉任务的详细说明：

• 图像分类：YOLO26 能够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上下文。
• 物体检测：该模型 能够在图像或视频中发现并定位多个物体。
• 实例分割：YOLO26 能够以像素级精度勾勒出单个物体的轮廓。
• 姿势估计 ：可用于 识别人体及其他物体的关键点并估计其姿态。
• 定向边界框（旋转框检测）检测：YOLO26 能够detect 不同角度的detect 这对航空和卫星影像尤为有用。
• 目标追踪：结合 Ultralytics Python ，YOLO26可用于在视频帧和实时流中追踪目标。

所有任务均支持在统一框架内进行训练、验证、推理和导出。

Ultralytics YOLO26背后的关键创新

Ultralytics 引入了多项核心创新，显著提升了推理速度、训练稳定性和部署简易性。以下是这些创新的概述：

• 分布式焦点损失（DFL）移除： 已移除DFL模块， 旨在简化边界框预测流程，提升硬件兼容性，并使模型更易于导出并在边缘计算及低功耗设备上运行。
• 端到NMS推理：YOLO26 作为原生端到端模型，可直接输出最终预测结果，无需进行非最大抑制处理，从而降低推理延迟并简化部署复杂度。
• 渐进式损失平衡 + STAL：这些 改进的损失策略可稳定训练过程并提升检测精度，尤其适用于小型、detect 。
• MuSGD优化器：YOLO26 采用新型混合优化器，融合了SGD 受缪子启发的优化技术，以实现更稳定的训练过程。
• CPU 提升高达43%：YOLO26专为 边缘计算优化，CPU 提升高达43%，实现边缘设备上的实时性能。

接下来，让我们详细探讨这些使YOLO26更快、更高效且更易部署的新一代特性。

通过移除分布焦点损失简化预测

早期YOLO 在训练过程中采用分布焦点损失（DFL）来提升边界框精度。尽管有效，但DFL引入了额外复杂性，并施加了固定的回归限制，使得模型导出和部署更为困难，尤其在边缘计算和低功耗硬件上。

YOLO26完全移除了DFL机制。取消DFL消除了早期模型中存在的固定边界框回归限制，在检测超大目标时显著提升了可靠性和准确性。

通过简化边界框预测过程，YOLO26更易于移植，并在各类边缘计算和低功耗设备上运行更稳定。

Ultralytics 的端到端NMS推理

传统的目标检测管道依赖非最大抑制（NMS）作为后处理步骤来过滤重叠预测。尽管有效，NMS 延迟、复杂性和脆弱性，尤其在跨多个运行时和硬件目标部署模型时。

YOLO26引入了原生的端到端推理模式，模型可直接输出最终预测结果，无需NMS 独立的后处理步骤。重复预测结果将在网络内部进行处理。

消除NMS 延迟、简化部署流程并减少集成错误风险，使YOLO26特别适用于实时和边缘部署场景。

通过渐进式损失平衡+STAL增强识别能力

与训练相关的关键特性是引入了渐进式损失平衡（ProgLoss）和小型目标感知标签分配（STAL）。这些改进的损失函数有助于稳定训练过程并提升检测精度。

ProgLoss 帮助模型在训练过程中更稳定地学习，减少不稳定性并使其更平稳地收敛。与此同时，STAL 专注于提升模型对小目标的学习能力——这类detect 视觉细节有限detect 往往更难detect 。

ProgLoss与STAL的结合能实现更可靠的检测，显著提升小目标识别能力。这对物联网（IoT）、机器人技术和航空影像等边缘应用尤为重要，因这些场景中的目标往往体积微小、距离遥远或部分可见。

使用MuSGD优化器实现更稳定的训练 

在YOLO26中，我们采用了名为MuSGD的新型优化器，旨在提升训练的稳定性和效率。MuSGD是一种混合方法，融合了传统随机梯度下降（SGD）的优势与受大型语言模型（LLM）训练中使用的优化器Muon启发的技术。

SGD 凭借其简单性和强大的泛化能力，长期以来SGD 计算机视觉领域值得信赖的选择。与此同时，大型语言模型训练领域的最新进展表明，新型优化方法若运用得当，可显著提升稳定性和速度。MuSGD将这些创新理念引入计算机视觉领域。

受Moonshot AI的Kimi K2启发，MuSGD整合了优化策略，使模型在训练过程中能够更平稳地收敛。这使得YOLO26能够更快地达到强劲性能，同时降低训练不稳定性，尤其在更大或更复杂的训练环境中效果显著。

MuSGD使YOLO26在不同模型规模下都能更可预测地进行训练，既提升了性能表现，又增强了训练稳定性。

Ultralytics 实现最高CPU 加速

随着视觉人工智能日益向数据生成源头靠近，强大的边缘计算性能变得至关重要。YOLO26专为边缘计算深度优化，CPU 提升高达43%，确保在无GPU设备上实现实时性能。这项突破使响应迅速、运行可靠的视觉系统能够直接部署于摄像头、机器人及嵌入式硬件中——这些场景中，延迟、效率与成本限制决定着技术应用的边界。

由Ultralytics 支持的增强型计算机视觉任务

除了提升物体检测精度的架构改进外，YOLO26还包含针对特定任务的优化，旨在提升计算机视觉任务的整体性能。例如，它通过有针对性的更新增强了实例分割、姿势估计 定向边界框检测姿势估计 ，从而提高了准确性和可靠性。

以下是这些优化的概述：

• 实例分割：YOLO26通过 语义分割损失优化模型在训练过程中的学习效果，从而生成更精准、更一致的实例掩膜。升级的原型模块还能利用多尺度信息，使模型在复杂场景中也能更有效地处理不同尺寸的物体。
• 姿势估计 ：通过 整合残差对数似然估计（RLE）——一种用于建模关键点预测不确定性的技术——并改进解码过程，YOLO26能够提供更精确的关键点，同时实现更优的实时性能。
• 定向边界框检测：YOLO26 引入了专用的角度损失函数，帮助模型更精确地学习目标旋转，尤其针对方向性模糊的方形物体。优化的旋转框检测 还减少了旋转边界附近角度预测的突变，从而获得更稳定一致的方向估计。

Ultralytics ：基于YOLO26的开放词汇分割模型

Ultralytics YOLOE-26Ultralytics 基于YOLO26架构和训练创新构建的新一代开放词汇分割模型家族。

YOLOE-26并非全新任务或功能，而是一个专业模型家族，在复用现有分割任务的同时支持文本提示、视觉提示及无提示推理。该模型覆盖所有标准YOLO 相较于早期开放词汇分割模型，YOLOE-26展现出更强的准确性与更可靠的实际应用表现。

Ultralytics 专为视觉AI实际运行场景而设计

从视觉驱动的相机到由计算机视觉驱动的机器人，再到边缘端的小型处理芯片，计算机视觉和人工智能正被直接部署在设备上进行实时推理。Ultralytics 专为这类环境打造，在这些场景中，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能够轻松部署于各类硬件平台。具体而言，Ultralytics Python 及其广泛的集成方案，模型可导出为针对不同平台和硬件加速器优化的格式。

例如，导出TensorRT NVIDIA TensorRT 高性能推理CoreML 在Apple设备上CoreML 原生部署，而OpenVINO Intel 的运行性能。YOLO26还可导出至多种专用边缘加速器运行，在专业边缘AI硬件上实现高吞吐量、节能高效的推理。 

这些只是部分示例，实际支持更多跨边缘与生产环境的集成方案。这种灵活性使单个YOLO26模型能够在多样化的部署目标上运行，从而简化生产工作流程，将视觉人工智能技术更深入地推向边缘计算领域。

重新定义跨行业的计算机视觉应用场景

YOLO26专为实际部署设计，可广泛应用于不同行业的计算机视觉场景。以下是其应用示例：

• 机器人技术: YOLO26可用于导航、障碍物检测和物体交互等任务。这些能力支持机器人在动态环境中安全高效地运行。
• 制造领域：在生产线上，YOLO26可分析图像和视频以识别缺陷、缺失部件或工艺问题。通过在设备端处理数据，检测速度得以保持，同时降低了对云系统的依赖。
• 航拍与无人机应用：当部署于无人机时，YOLO26可在飞行过程中处理航拍图像，用于检测、测绘与勘测。这使得即使在偏远地区，也能实现场景的实时分析。
• 嵌入式与物联网系统：凭借轻量化设计，YOLO26可在低功耗嵌入式硬件上运行，实现视觉数据的本地化处理。典型应用场景包括智能摄像头、联网传感器及自动化监控设备。

智慧城市：在各类城市环境中，YOLO26可分析来自交通监控与公共空间摄像头的视频流。这使得在边缘端实现交通监控、公共安全及基础设施管理等应用成为可能。

Ultralytics 入门指南

Ultralytics 可通过两种互补的工作流使用，具体取决于您构建和部署视觉人工智能的方式。

选项1： Ultralytics Ultralytics （推荐）

Ultralytics 提供了一种集中化的方式，用于在生产环境中训练、部署和监控YOLO26模型。它将数据集、实验和部署整合于同一平台，使大规模管理视觉AI工作流变得更加轻松，尤其适用于需要向边缘计算和生产环境部署的团队。

通过该平台，用户可以：

• 访问YOLO26模型
• 在自定义数据集上进行训练和微调
• 为边缘和生产部署导出模型
• 在单一工作流中监控实验和部署的模型

👉Ultralytics ：platform.ultralytics.ultralytics

方案二： 通过开源工作流 Ultralytics

YOLO26仍Ultralytics开源生态系统完全访问，并可与现有的Python的工作流配合使用，用于训练、推理和导出。

开发者可以Ultralytics ，加载预训练的YOLO26模型，并使用熟悉的工具和格式（ONNX、TensorRT、OpenVINO）进行部署。

pip install ultralytics

from 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")

对于偏好手动控制或自定义管道的用户，完整的文档和指南 Ultralytics 中获取。

Ultralytics ：为计算机视觉的未来而生

Ultralytics 专为满足未来视觉人工智能解决方案的需求而设计，这类解决方案要求模型在真实硬件上具备高速、高效且易于部署的特性。通过提升性能、简化部署流程并拓展模型功能，YOLO26 自然契合各类实际应用场景。该模型为视觉人工智能的构建、部署与扩展树立了全新基准。 我们期待见证技术社区如何运用该模型，将计算机视觉系统推向实际应用场景。

加入我们不断壮大的社区，探索我们的GitHub 存储库，获取人工智能实践资源。要立即使用 Vision AI 进行构建，请探索我们的许可选项。访问我们的解决方案页面，了解农业人工智能如何改变农业生产，以及Vision AI 如何在机器人技术中塑造未来。