Ultralytics 借助 YOLO26 重新定义先进视觉 AI
了解 Ultralytics YOLO26 如何在速度、易用性和真实世界可部署性方面，为视觉 AI 树立新标准，覆盖从边缘设备到大规模服务器的各种场景。
今天，我们正式推出 Ultralytics YOLO26，这款全新模型为最先进性能树立了新的基准。我们的创始人兼 CEO Glenn Jocher 首次在伦敦举办的 YOLO Vision 2025 (YV25) 大会上介绍了它；如今，它已成为我们迄今为止最先进、最易部署的模型。
YOLO26 专为轻量、小巧和高速而设计，面向视觉 AI 应用在现实世界中实际运行的场景进行优化。通过将原生端到端推理直接集成到模型中，YOLO26 简化了部署、降低了系统复杂性，并在边缘设备和大规模生产环境中提供可靠的性能。
事实上，YOLO26 最小的 nano 模型在标准 CPU 上的运行速度最高可提升 43%，从而能够在移动应用、智能相机和其他边缘设备上高效实现实时视觉 AI 解决方案。YOLO26 秉承 Ultralytics 让每个人都能使用有影响力的视觉 AI 能力这一愿景，将最先进的性能与简洁性相结合，让使用和部署都变得简单。
为计算机视觉的下一个时代而构建#
计算机视觉正在快速走出云端。现实世界的应用越来越需要实时推理、低延迟、硬件灵活性，以及在无人机、相机、移动系统和嵌入式平台等设备上可预测的性能。
YOLO26 正是为这一转变而专门打造的。 Ultralytics 从根本上重新思考了目标检测流程，构建出一种能够移除不必要复杂性，同时提供最先进精度和速度的模型架构。
例如，传统的 Ultralytics 目标检测模型依赖一个名为非极大值抑制的额外后处理步骤，用于在推理后过滤重叠的预测结果。YOLO26 通过启用原生端到端推理消除了这一额外步骤，使模型能够直接生成最终检测结果。这让现实世界中的部署更快、更可预测，也更可靠。
YOLO26 并非一次渐进式更新，而是代表了生产级视觉 AI 在训练、部署和扩展方式上的结构性飞跃。
图 1：Ultralytics YOLO26 基准测试
YOLO26 带来了哪些可能#
YOLO26 的关键特性之一，是它在 Ultralytics YOLO11 等早期模型优势的基础上，进一步拓展了计算机视觉的可能性。YOLO26 开箱即支持与 YOLO11 相同的核心计算机视觉任务，包括目标检测、实例分割和图像分类。
图 2：使用 YOLO26 检测图像中目标的示例。
它还继续支持姿态估计、面向航空和卫星图像的有向边界框目标检测，以及跨视频流的目标跟踪。与 YOLO11 一样，YOLO26 提供五种模型变体：Nano (n)、Small (s)、Medium (m)、Large (l) 和 Extra large (x)，让你可以在速度、大小和精度之间进行权衡选择。
Ultralytics YOLO26 的主要特性#
Ultralytics YOLO26 包含一系列旨在提升性能、可靠性和现实世界可用性的改进。下面介绍 YOLO26 的主要特性：
- 移除 Distribution Focal Loss： YOLO26 移除了 Distribution Focal Loss (DFL)，降低了模型复杂性，并推动在边缘设备和低功耗硬件上实现更简单、更兼容的部署。
- 端到端无 NMS 推理： YOLO26 原生移除了对非极大值抑制 (NMS) 的需求。这一步通常用于去除重复预测，因此能够让实时应用的部署更加简单、快速。
- 渐进式损失平衡 + STAL： 渐进式损失平衡 (ProgLoss) 和小目标感知标签分配 (STAL) 会调整模型在训练过程中的学习方式，从而在复杂场景中更可靠地检测小目标和远距离目标。
- MuSGD 优化器： YOLO26 引入了 MuSGD 优化器，它融合了随机梯度下降 (SGD) 和受 Muon 启发的技术，可提升训练稳定性，并实现更快、更一致的收敛。
- CPU 推理速度最高提升 43%： YOLO26 nano 模型在标准 CPU 上的推理速度最高可提升 43%，从而能够在移动设备、智能相机和其他边缘系统上高效实现实时视觉 AI。
代码背后：Ultralytics YOLO26 的研发历程#
YOLO26 的开发是团队共同努力的成果，凝聚了我们团队的研究，以及我们从社区、合作伙伴和客户那里获得的反馈。我们的目标是简化架构、提升效率，并让模型更适用于现实世界的应用。
回顾这段历程时，Glenn Jocher 解释道：“最大的挑战之一，是确保用户能够充分发挥 YOLO26 的能力，同时仍然提供顶尖的性能。”他的观点突出了 YOLO26 的核心设计原则：让视觉 AI 易于使用。
围绕这一理念，我们的高级机器学习工程师 Jing Qiu 补充道：“构建全新的 Ultralytics YOLO 模型，关键在于保持稳定、不急于求成。我不断进行改进，只专注于速度与精度之间的平衡。当一切最终结合起来时，我感到一种平静的满足——这证明了坚持关注细节确实有效。”
开始使用 Ultralytics YOLO26 构建#
从今天起，Ultralytics YOLO26 将通过 Ultralytics Platform 向公众开放，并全面支持训练、推理和导出工作流。在商业或封闭环境中部署 YOLO26 的组织可以使用企业许可选项，其中包括生产部署支持、长期维护和可扩展的边缘设备部署。
与之前的模型一样，YOLO26 也完全支持通过 Ultralytics Python 软件包使用，让你能够立即开始。你可以沿用熟悉的简洁工作流训练、验证和部署 YOLO26，同时利用 ONNX、TensorRT、CoreML、TFLite、OpenVINO 等多种导出选项。
让我们携手构建视觉 AI 的未来#
Ultralytics YOLO26 是我们让视觉 AI 变得更快、更轻量、更易用的下一步。但这只是开始。
真正的影响力，来自视觉 AI 社区利用它所创造的一切。我们期待看到你的创新，并继续携手塑造计算机视觉的未来。
通过我们的社区与我们联系，并探索我们的 GitHub 代码仓库，深入了解 AI。探索机器人领域的 AI和物流领域的计算机视觉等行业解决方案，查看我们的许可选项，立即开始使用计算机视觉进行构建。
