Ultralytics 以 YOLO26 重新定义最先进的视觉 AI
了解 Ultralytics YOLO26 如何在速度、简易性和从边缘设备到大规模服务器的现实部署能力方面，为视觉 AI 树立新标准。
今天，我们正式推出 Ultralytics YOLO26，这是我们的新模型，它为最先进的性能确立了新的基准。该模型最初由我们的创始人兼首席执行官 Glenn Jocher 在伦敦举办的 YOLO Vision 2025 (YV25) 上首次发布，是我们迄今为止最先进且最易于部署的模型。
YOLO26 设计轻量、紧凑且快速，专为现实世界中实时视觉 AI 应用的实际运行场景而打造。通过直接内置在模型中的原生端到端推理，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了可靠的性能。
事实上，YOLO26 的最小版本（nano 模型）在标准 CPU 上的运行速度提升高达 43%，从而能够在移动应用、智能相机和其他边缘设备上实现高效的 real-time vision AI solutions。基于 Ultralytics 旨在让每个人都能使用具有影响力的视觉 AI 功能的愿景，YOLO26 将最先进的性能与简单性相结合，使其易于使用和部署。
为计算机视觉的下一个时代而生#
Computer vision 正迅速超越云端。现实世界的应用越来越多地要求在无人机、相机、移动系统和嵌入式平台等设备上实现实时推理、低延迟、硬件灵活性和可预测的性能。
YOLO26 was built explicitly for this shift. 通过从底层重新构思目标检测管道，Ultralytics 创建了一个模型架构，在消除不必要的复杂性的同时，提供了最先进的准确性和速度。
例如，传统的 Ultralytics 目标检测模型依赖于一个称为 Non-Maximum Suppression 的额外后处理步骤，用于在推理后过滤重叠的预测。YOLO26 通过支持本地端到端推理消除了这个额外步骤，允许模型直接生成最终检测结果。它开启了更快、更可预测且更可靠的现实世界部署。
YOLO26 并非增量更新。它代表了生产级视觉 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 带来的可能#
YOLO26 的关键方面之一是它如何在继承 Ultralytics YOLO11 等早期模型优势的同时，扩展计算机视觉的可能性。开箱即用，YOLO26 支持与 YOLO11 相同的核心 computer vision tasks，包括目标检测、实例分割和图像分类。
图 2. 使用 YOLO26 检测图像中对象的示例。
它还继续支持姿态估计、用于航空和卫星图像的旋转边界框目标检测，以及跨视频流的目标追踪。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)，为用户提供平衡速度、大小和精度的选择。
Ultralytics YOLO26 的关键特性#
Ultralytics YOLO26 包含一系列旨在提高性能、可靠性和现实世界可用性的改进。以下是 YOLO26 的关键特性概览：
- 分布焦点损失 (DFL) 移除： YOLO26 移除了分布焦点损失 (DFL)，降低了模型复杂性，并推动了在边缘和低功耗硬件上更简单、更兼容的部署。
- 端到端无 NMS 推理： YOLO26 原生消除了对非极大值抑制 (NMS) 的需求，这一步骤通常用于移除重复预测，使得实时应用的部署更简单、更快捷。
- 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) 调整了模型在训练过程中的学习方式，实现了对复杂场景中小目标和远距离目标的更可靠检测。
- MuSGD 优化器： YOLO26 引入了 MuSGD 优化器，这是随机梯度下降 (SGD) 和 Muon 启发技术的混合体，它增强了训练稳定性并实现了更快、更一致的收敛。
- CPU 推理速度提升高达 43%： YOLO26 nano 模型在标准 CPU 上的推理速度提升了高达 43%，从而在移动设备、智能摄像头和其他边缘系统上实现了高效的实时视觉 AI。
代码背后的故事：通往 Ultralytics YOLO26 之旅#
YOLO26 的开发是我们的团队研究以及我们从社区、合作伙伴和客户收到的反馈共同塑造的成果。我们着手简化架构、提高效率，并使模型更适合现实世界的使用。
回顾这段旅程，Glenn Jocher 解释道：“最大的挑战之一是确保用户在获得顶尖性能的同时，能够充分利用 YOLO26。” 他的观点突显了 YOLO26 的核心设计原则：保持视觉 AI 的易用性。
延续这一理念，我们的高级机器学习工程师 Jing Qiu 补充道：“构建全新的 Ultralytics YOLO 模型就像保持稳步前行，绝不急躁。我不断进行精炼，专注于速度与精度的平衡。当它最终成型时，是一种安静的满足感——证明了坚持细节是有回报的。”
开始使用 Ultralytics YOLO26 构建项目#
Ultralytics YOLO26 将从今天起通过 Ultralytics Platform 公开提供，并在训练、推理和导出工作流中提供全面支持。在商业或封闭环境中部署 YOLO26 的组织可以访问企业许可选项，其中包括对生产部署、长期维护和可扩展边缘推出的支持。
就像我们之前的模型一样，它也得到了 Ultralytics Python package 的全面支持，使用户能够立即上手。用户可以使用他们已经熟悉的简化工作流来训练、验证和部署 YOLO26，同时利用 ONNX、TensorRT、CoreML、TFLite、OpenVINO 等一系列导出选项。
让我们一起构建视觉 AI 的未来#
Ultralytics YOLO26 代表了我们在使视觉 AI 更快、更轻、更易用方面迈出的新一步。但这仅仅是个开始。
真正的影响力源于视觉 AI 社区用它创造的成果。我们期待看到你的创新，并继续共同塑造计算机视觉的未来。
连接我们的 community 并浏览我们的 GitHub repository 以深入了解 AI。探索诸如 AI in robotics 和 computer vision in logistics 等行业解决方案，查看 our licensing options，并立即开始使用计算机视觉进行构建。
