YOLO26：Ultralytics 在 YOLO Vision 2025 发布的端到端视觉 AI 新突破
9 月 25 日，在伦敦举行的年度盛会 YOLO Vision 2025（YV25）上，Ultralytics 创始人兼 CEO Glenn Jocher 正式宣布了 Ultralytics YOLO 模型系列的最新突破——Ultralytics YOLO26！
YOLO26 是一款更快、更轻、更准且易于部署的 Vision AI 产品。它不仅延续了 YOLO 系列一贯的速度与易用性，还在端到端架构、训练优化和多任务支持上带来了革命性突破。简而言之，Ultralytics YOLO26 是一款更好、更快、更小的 Vision AI 模型。在正式发售之前，我们来全面解析 YOLO26 的功能与优势。
设计理念：让视觉 AI 更简单、更普惠
Ultralytics 从成立起就有两大使命：普及 AI 技术，让所有人都能无障碍使用；保持尖端性能，不断突破视觉模型的速度与精度极限。随着边缘计算的兴起，用户越来越希望在智能相机、无人机或移动设备上实现实时视觉推理。这对模型提出了新的要求：更轻、更快，同时保证精度。YOLO26 正是在这一背景下诞生的。
Glenn Jocher 在发布会上表示：'最大的挑战之一，就是在保持卓越性能的同时，让用户最大化利用 YOLO26 的简单性与高效性。'
YOLO26 概览：从检测到分割的全能模型
YOLO26 是 YOLO 系列实时物体检测器的最新产品，专为边缘和低功耗设备而设计。它采用精简设计，消除了不必要的复杂性，同时集成了有针对性的创新技术，以提供更快、更轻和更方便的部署。
核心原则
YOLO26 的架构遵循三个核心原则：
- 简单：YOLO26 是一个原生的端到端模型，无需非最大抑制（NMS）即可直接生成预测结果。由于省去了这一后处理步骤，推理变得更快、更轻便，也更容易部署到现实世界的系统中。这一突破性方法由清华大学的王敖在 YOLOv10 中首创，并在 YOLO26 中得到进一步发展。
- 部署效率：端到端设计省去了管道的整个阶段，大大简化了集成、减少了延迟，并使不同环境下的部署更加稳健。
- 训练优化：YOLO26 引入了 MuSGD 优化器，它是 SGD 和 Muon 的混合体，灵感来自 Moonshot AI 在 LLM 训练中取得的 Kimi K2 突破。该优化器具有更高的稳定性和更快的收敛速度，将语言模型中的优化技术应用到了计算机视觉领域。
这些创新结合在一起，使模型系列在小型物体上实现了更高的精度，提供了无缝部署，在 CPU 上的运行速度提高了 43%，从而使 YOLO26 成为迄今为止在资源有限的环境中最实用、最易部署的 YOLO 模型之一。
支持的视觉任务
YOLO26 提供五种不同的型号，用户可根据任务规模自由选择。
YOLO26 支持的计算机视觉任务概览：
- 目标检测：比检测更进一步，YOLO26 可以在识别的每个对象周围生成像素完美的边界框。
- 实例分割：生成像素级边界，更好地理解物体形状。
- 图像分类：该模型可分析整幅图像，并将其归入特定类别或标签。
- 姿态估计：YOLO26 可以检测关键点，并估算人类和其他物体的姿态。
- 定向边界框 (OBB)：可以检测任何角度的物体，尤其适用于航拍、无人机和卫星图像。
- 目标跟踪：YOLO26 可用于跟踪视频帧或实时流中的物体。
无论是轻量级边缘设备，还是企业级 AI 系统，YOLO26 都能无缝适配。
支持的部署平台
无论是移动应用程序、智能相机还是企业系统，部署 YOLO26 都非常简单灵活。Ultralytics Python 软件包支持不断增加的导出格式，这使得 YOLO26 很容易集成到现有的工作流程中，并与几乎所有平台兼容。
YOLO26 的另一大亮点是部署友好性。通过 Ultralytics Python 软件包，用户可以轻松导出多种格式：
- TensorRT（GPU 加速最大化）
- ONNX（跨平台兼容性强）
- CoreML（适配 iOS）
- TFLite（适配 Android 与边缘设备）
- OpenVINO（优化英特尔硬件性能）
部署的另一个关键是确保模型在资源有限的设备上高效运行。这就是量化的作用所在。得益于其简化的架构，YOLO26 完美支持 INT8 量化与 FP16 半精度推理，在保证精度的前提下进一步减小模型体积、提升速度。这意味着 YOLO26 不仅能在服务器集群中高速运行，也能在手持设备、智能相机等边缘环境中稳定工作。
YOLO26 架构创新：端到端推理与轻量化升级
架构的创新设计
YOLO26 的架构进行了创新设计：
- DFL 移除：通过移除分布焦点损失（DFL）模块，简化了模型的设计，该模块以前会减慢推理速度并限制边界框回归。
- 端到端（E2E）/无 NMS：跳过了传统的非最大值抑制（NMS）步骤，直接输出最终预测结果，无需非最大抑制（NMS）后处理，使部署更轻便。
- ProgLoss & STAL：渐进损失平衡（ProgLoss）提升训练稳定性并提高准确性，小目标感知标签分配（STAL）增强小目标检测能力。
- MuSGD 优化器：结合 SGD 与 Muon 优势，灵感来自 Moonshot AI 在 LLM 训练中的 Kimi K2 突破，提高了训练收敛性并提升了整体性能。
这些改进让 YOLO26 的 nano 版本在标准 CPU 上的速度提升 43%，特别适合移动应用程序、智能相机和其他对速度和效率要求极高的边缘设备。
性能指标
边缘性能
YOLO26 具有最先进的边缘性能：
- CPU 推理速度最多可提高 43%
- 缩小模型尺寸，减少内存占用
- 简化架构以实现兼容性（无 DFL、无 NMS）
- 灵活的导出格式，包括 TensorRT、ONNX、CoreML、TFLite 和 OpenVINO
应用场景：从机器人到制造业
YOLO26 的轻量化和高精度，使其在多个行业展现潜力：
- 机器人：YOLO26 可以帮助机器人实时解读周围环境。这使得导航更加顺畅，物体处理更加精确。它还能使机器人与人的协作更加安全。
- 制造业：自动化缺陷检测，与人工检测相比，它可以更快、更准确地自动识别生产线上的缺陷。
- 智能交通：在低功耗硬件上实现实时监控与预警。
- 无人机与遥感：通过 OBB 检测复杂角度的地面物体。
简而言之，YOLO26 的普适性让它成为边缘 AI 与企业级系统的桥梁。
主要收获
YOLO26 并不是简单的'版本升级'，而是一次理念革新：它通过端到端简化、架构优化和训练创新，为计算机视觉带来了全新的速度与灵活性。
在 YV25 发布会上，Ultralytics 向我们展示了一个清晰的愿景：视觉 AI 的未来属于更轻量化、更智能、更普惠的模型。YOLO26 正是这一愿景的重要里程碑。
如果您在研究中使用了 YOLO26，请引用原作：
@software{yolo26_ultralytics, author ={Glenn Jocher and Jing Qiu}, title ={Ultralytics YOLO26}, version ={26.0.0}, year ={2025}, url ={https://github.com/ultralytics/ultralytics}, orcid ={0000-0001-5950-6979, 0000-0003-3783-7069}, license ={AGPL-3.0}}
