YOLO26：实时目标检测的关键架构改进与性能基准测试

YOLO 框架由 Joseph Redmon 等人于 2016 年提出，开创了目标检测的范式转变。不同于 R-CNN 等两阶段检测器，YOLO 将检测表述为单一回归任务，通过一次前向传播直接预测边界框和类别概率。这种高效性使其在延迟敏感的应用中极具吸引力。后续版本如 YOLOv2 和 v3 在保留实时性能的同时显著提升了准确性，确立了事实标准。

随着对更高准确性的需求增长，YOLO 向更先进架构发展。YOLOv4 引入 CSPNet 和马赛克数据增强；YOLOv5 因 PyTorch 实现和社区支持广泛普及；YOLOv6 和 v7 整合了参数高效模块。Ultralytics 作为主要维护者，通过 YOLOv8 重新定义了框架，其解耦检测头和 Python API 降低了使用门槛。YOLOv9 至 v11 进一步突破边界，而 YOLOv12 和 v13 则探索了以注意力为中心的设计。

尽管这些模型提供了出色的基准结果，但仍依赖非极大值抑制（NMS）和分布焦点损失（DFL），带来了延迟开销和导出挑战。这推动了 YOLO26 的开发。2025 年 9 月，Ultralytics 在伦敦推出的 YOLO26 专为边缘计算、机器人技术和移动 AI 优化。

YOLO26 围绕简洁性、高效性和创新性设计，支持五项任务：目标检测、实例分割、姿态检测、旋转检测和分类。在推理上，它消除了 NMS，生成原生端到端预测，减少延迟差异。在回归方面，移除 DFL 简化了计算图，利于导出。通过 ProgLoss 和 STAL 解决了训练稳定性和小目标保真度问题。优化由 MuSGD 驱动，融合了 SGD 与 Muon 的优势，实现更快收敛。

图 1：YOLO26 统一架构支持五项关键视觉任务。

2 YOLO26 的架构改进

YOLO26 遵循精简高效的流程，专为边缘和服务器平台设计。如图 2 所示，输入数据经预处理后送入骨干特征提取阶段，生成多尺度特征图并在轻量级颈部中合并。特定处理在直接回归头部进行，无需依赖 NMS 即可输出结果。这种端到端无 NMS 推理消除了后处理开销。ProgLoss 和 STAL 增强了训练稳定性，MuSGD 优化器指导模型收敛。支持 FP16 和 INT8 量化进一步提升效率。

图 2：Ultralytics YOLO26 的简化架构图

2.1 移除分布焦点损失（DFL）

YOLO26 移除了 DFL 模块，该模块在 YOLOv8 和 v11 中存在。DFL 虽能提升定位精度，但带来计算开销和导出困难。消除 DFL 后，边界框预测成为更直接的回归任务，不牺牲性能。对比分析表明，YOLO26 实现了与基于 DFL 模型相当或更优的准确性，同时显著降低推理延迟，更适合边缘 AI 场景。

2.2 端到端无 NMS 推理

YOLO26 原生支持无 NMS 端到端推理。传统模型依赖 NMS 过滤重复预测，增加了额外延迟和超参数调整。YOLO26 重新设计了预测头，直接生成非冗余边界框，降低了复杂度并消除了手动阈值依赖。基准测试显示，nano 模型的 CPU 推理时间减少了高达 43%，特别适合移动设备和嵌入式平台。

图 3：YOLO26 的关键架构改进示意图

2.3 ProgLoss 和 STAL：增强训练稳定性和小目标检测

训练稳定性和小目标识别是长期挑战。YOLO26 整合了渐进式损失平衡（ProgLoss）和小目标感知标签分配（STAL）。ProgLoss 动态调整损失权重，防止过拟合主导类别；STAL 优先分配微小或遮挡实例的标签。两者结合显著提升了在复杂数据集上的准确性。

2.4 用于稳定收敛的 MuSGD 优化器

YOLO26 引入 MuSGD 优化器，结合 SGD 与 Muon 的优势。Muon 受大语言模型训练启发，提供自适应特性。混合优化器利用 SGD 的鲁棒性，实现更快收敛和更稳定的优化。实证结果表明，MuSGD 使模型能用更少 epoch 达到竞争性准确性，减少训练成本。

3 基准测试与对比分析

针对 YOLO26 进行了严格基准测试。图 4 展示了在 NVIDIA T4 GPU 上 COCO mAP(50-95) 与延迟的关系。YOLO26 保持了与 RT-DETRv3 等 Transformer 模型相当的高准确性，同时在推理速度上显著优于它们。例如，YOLO26-m 和 l 分别实现了 51% 和 53% 以上的 mAP，但延迟大幅降低。与 YOLOv10 相比，CPU 受限推理速度提升高达 43%。这表明 YOLO26 成功弥合了早期 YOLO 效率优先理念与 Transformer 准确性导向之间的差距。

图 4：YOLO26 与竞品在 COCO 数据集上的性能基准测试。

4 Ultralytics YOLO26 的实时部署

4.1 灵活的导出和集成路径

YOLO26 原生支持多种导出格式，包括 TensorRT、ONNX、CoreML、TFLite 和 OpenVINO。这使得研究人员和工程师能将模型从原型推进到生产，避免前几代模型常见的兼容性瓶颈。移除 DFL 和采用无 NMS 预测头确保了跨平台兼容性。

4.2 量化与资源受限设备

YOLO26 在半精度（FP16）和整数（INT8）量化下均表现出稳定的准确性。FP16 利用 GPU 原生支持加速推理，INT8 压缩模型大小。基准测试证实，YOLO26 在这些量化级别上优于 YOLOv11 和 v12，适合部署在 Jetson Orin 或 ARM CPU 上。

4.3 跨行业应用

在机器人技术中，YOLO26 的低延迟推理使系统能更快解释环境。在制造业，轻量化部署选项缓解了大规模推广障碍。早期基准测试表明，基于 YOLO26 的缺陷检测流程实现了更高的吞吐量。

4.4 更广泛见解

YOLO26 突显了架构效率与准确性同等重要。通过简化架构和确保量化下的弹性，它弥合了实验室性能与生产就绪性之间的差距，成为部署民主化的重要里程碑。

5 结论与未来方向

总之，YOLO26 代表了 YOLO 系列的重大飞跃。通过移除 DFL 和 NMS，简化了设计并扩大了硬件兼容性。引入 ProgLoss、STAL 和 MuSGD 优化器，稳定了学习过程并提高了准确性。基准测试突显了其相对于前代和当代模型的强大性能，CPU 推理速度比之前版本快高达 43%。

5.1 未来方向

展望未来，YOLO 可能向多任务通用性发展，纳入开放词汇表和基础模型能力。半监督和自监督学习领域也是关键发展方向，减少对标记数据的依赖。架构方面，预计将继续融合 Transformer 和 CNN 设计原则。最后，边缘感知训练和优化将成为重点，确保模型在训练阶段就考虑硬件约束。

注：本研究将在不久的将来通过在 YOLOv13、YOLOv12 和 YOLOv11 上进行基准测试来实验性地评估 YOLO26。将使用机器视觉相机在农业环境中收集自定义数据集，包含 10,000 多个手动标记的感兴趣目标。模型将在相同条件下进行训练，结果将以精度、召回率、准确性、F1 分数、mAP、推理速度以及预处理/后处理时间的形式报告。此外，在 NVIDIA Jetson 上进行的边缘计算实验将评估实时检测能力，为 YOLO26 在资源受限的农业应用中的实际部署提供见解。