YOLO26 实时目标检测：关键架构改进与性能基准测试

YOLO 由 Joseph Redmon 等人于 2016 年提出，开创了单阶段检测范式。不同于 R-CNN 系列的两阶段方法，YOLO 将检测视为单一回归任务，通过一次前向传播直接输出边界框和类别概率。这种设计使其在延迟敏感的应用中极具优势。后续版本如 YOLOv2 和 v3 在保持实时性的同时显著提升了准确性，确立了事实标准。

随着对更高精度的需求增长，YOLO 向更先进架构发展。YOLOv4 引入 CSPNet 和马赛克数据增强；YOLOv5 凭借 PyTorch 实现和社区支持广泛普及；YOLOv6 和 v7 则整合了参数高效模块和 Transformer 思想。Ultralytics 作为主要维护者，通过 YOLOv8 重新定义了框架，其解耦头和 Python API 极大降低了使用门槛。随后的 v9 至 v11 继续突破边界，而 v12 和 v13 则探索了以注意力为中心的设计。尽管这些模型性能出色，但仍依赖 NMS 和 DFL，带来了延迟开销和导出挑战。这推动了 YOLO26 的开发，旨在消除后处理瓶颈，优化边缘计算体验。

YOLO26 围绕简洁性、高效性和创新性三大原则设计，支持检测、分割、姿态、旋转和分类五项任务。其核心改进在于推理路径上消除了 NMS，生成原生端到端预测；回归方面移除了 DFL，简化了硬件友好型公式；训练中引入 ProgLoss 和 STAL 解决稳定性和小目标问题；优化则由 MuSGD 驱动，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进入骨干网络提取特征，多尺度特征图在轻量级颈部中融合，最终通过直接回归头部输出结果。相比前代，YOLO26 不再依赖 NMS，且通过量化进一步提升了部署效率。

图 2：Ultralytics YOLO26 的简化架构图

2.1 移除分布焦点损失（DFL）

YOLO26 最显著的简化之一是移除了分布焦点损失（DFL）。该模块曾在 v8 和 v11 中用于通过预测坐标概率分布来提升定位精度，但也带来了计算开销和导出困难。消除 DFL 后，边界框预测变为更直接的回归任务，不牺牲性能的同时显著降低了推理延迟，提高了跨平台兼容性。相比之下，v12 和 v13 仍保留 DFL，限制了其在受限设备上的适用性。YOLO26 的这一改动标志着最先进的检测性能与移动、嵌入式应用实际情况的对齐。

2.2 端到端无 NMS 推理

传统 YOLO 模型严重依赖非极大值抑制（NMS）作为后处理步骤来过滤重复预测。虽然有效，但 NMS 增加了额外延迟，且需要手动调整 IoU 阈值。YOLO26 重新设计了预测头，能够直接生成非冗余的边界框，无需 NMS。这种端到端设计不仅降低了复杂度，还消除了对后处理代码的依赖。基准测试显示，YOLO26-nano 模型的 CPU 推理时间减少了高达 43%。这使得它特别适合移动设备、无人机和嵌入式机器人平台。尽管 RT-DETR 等模型也尝试过无 NMS，但 YOLO26 是首个在保持 YOLO 速度与准确性平衡的同时采用此范式的版本。

图 3：(a) 移除 DFL 简化回归；(b) 无 NMS 推理加速部署；(c) ProgLoss 和 STAL 增强训练；(d) MuSGD 优化器加速收敛

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 动态调整损失组件权重，防止模型过度拟合主导类别；STAL 则优先分配微小或遮挡实例的标签。两者结合显著提升了在 COCO 等数据集上的准确性，特别是在航空影像或运动模糊条件下。早期模型如 v8 和 v11 缺乏此类针对性机制，往往需要特定增强才能达到可接受的小目标性能。

2.4 用于稳定收敛的 MuSGD 优化器

YOLO26 引入了 MuSGD 优化器，结合了 SGD 的泛化能力与受 LLM 训练启发的 Muon 优化器的自适应特性。这种混合优化器利用 SGD 的鲁棒性，同时融合动量和曲率信息，实现了更快、更平滑的收敛。实证表明，MuSGD 使模型能用更少 epoch 达到竞争性精度，减少了训练时间和成本。相比依赖标准 SGD 或 AdamW 的前代模型，MuSGD 在保持轻量化理念的同时提高了可靠性，缩短了开发周期。

3. 基准测试与对比分析

我们针对 YOLO26 进行了一系列严格基准测试，评估其相较于前代模型及其他 SOTA 架构的性能。图 4 展示了在 NVIDIA T4 GPU（TensorRT FP16 优化）上 COCO mAP(50-95) 与延迟的关系。结果显示，YOLO26 保持了与 RT-DETRv3 相当的高准确性，同时在推理速度上显著优于基于 Transformer 的模型。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。

图 4：YOLO26 与 YOLOv10、RT-DETR 系列在 COCO 数据集上的性能对比

与 YOLOv10 相比，YOLO26 在所有尺度上均实现了更低延迟，CPU 推理速度提升最高达 43%，同时通过 ProgLoss 和 STAL 保持或提高了准确性。与 DEIM 和 RT-DETR 系列相比，YOLO26 简化的骨干网络和 MuSGD 训练流程实现了更快的收敛和更精简的推理。图表清楚地说明了这些差异：尽管 RT-DETRv3 在大模型准确性上表现出色，但其延迟分布不如 YOLO26，强化了 YOLO26 以边缘为中心的设计理念。

4. Ultralytics YOLO26 的实时部署

过去十年，目标检测模型的发展伴随着部署复杂性的增加。早期检测器如 R-CNN 计算成本高，限制了实时应用。YOLO 家族通过将检测定义为单一回归问题改变了这一格局。然而，随着版本演进，准确性提高往往伴随着架构变重和后处理复杂化。YOLO26 通过简化架构和导出路径，直接解决了这一挑战。

4.1 灵活的导出和集成路径

YOLO26 与现有生产流程无缝集成。Ultralytics Python 包提供统一的训练、验证和导出支持。与早期模型不同，YOLO26 原生支持多种格式：TensorRT（GPU 加速）、ONNX（跨平台兼容）、CoreML（iOS）、TFLite（Android/边缘）及 OpenVINO（Intel）。这些选项使研究人员能将模型从原型推进到生产，避免兼容性瓶颈。历史上，v3 至 v7 在导出时经常需要手动干预，而 DETR 类模型因动态注意力机制转换困难。YOLO26 的简化架构确保了跨平台兼容性，成为迄今最易部署的检测器之一。

4.2 量化与资源受限设备

在计算资源有限的设备上确保效率是实际部署的挑战。智能手机、无人机通常缺乏独立 GPU，需平衡内存、功耗和延迟。许多复杂检测器在激进量化下会经历准确性下降。YOLO26 在此方面表现稳健，在半精度（FP16）和整数（INT8）量化下均保持稳定。FP16 利用 GPU 原生支持加速推理，INT8 则大幅降低模型大小和能耗。实验证实，YOLO26 在这些量化级别上优于 v11 和 v12。相比之下，RT-DETRv3 在 INT8 量化下性能下降明显，YOLOv12/v13 在低功耗设备上难以保持竞争力。因此，YOLO26 为量化感知设计树立了新基准。

4.3 跨行业应用

这些部署增强的实际影响体现在多个行业。在机器人领域，实时感知对导航和操作至关重要。YOLO26 的低延迟推理使机械臂能更精确地抓取物体，移动机器人能更好识别障碍物。在制造业中，YOLO26 助力自动化缺陷检测。传统人工检测劳动密集且易错，YOLO26 通过轻量化部署选项缓解了推广障碍，实现了更高的吞吐量和更低的运营成本。

4.4 更广泛见解

YOLO26 突显了架构效率与准确性同等重要。从 CNN 变体到 Transformer 检测器，实验室性能与生产就绪性之间的差距曾限制其影响。YOLO26 通过简化架构、扩展导出兼容性和确保量化下的弹性弥合了这一差距。对于移动端开发者，CoreML 和 TFLite 确保原生运行；对于企业用户，TensorRT 和 ONNX 提供可扩展加速；对于工业用户，OpenVINO 和 INT8 确保资源约束下性能一致。YOLO26 不仅是研究的一步前进，也是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，将架构创新与务实部署相结合。通过移除 DFL 和 NMS，简化了设计并扩大了硬件兼容性。端到端推理减少了延迟，简化了部署。训练中引入 ProgLoss、STAL 和 MuSGD，稳定了学习过程并提高了准确性。基准测试显示，YOLO26 在普通硬件上吞吐量显著提升，CPU 推理速度比前代快高达 43%，是资源受限环境中最实用的实时检测器之一。

YOLO26 的主要贡献在于重视部署优势。其架构适应实际应用，避免了专用硬件加速器上的复杂操作。支持多种导出格式和强大量化能力，意味着模型可被压缩加速而不损失可靠性能。这些改进体现了尖端研究与可部署 AI 解决方案之间的桥梁作用。

5.1 未来方向

展望未来，YOLO 研究有几个有前景的方向。首先是多任务统一到更全面模型中。YOLO26 已在一个框架中支持多项任务，未来可能纳入开放词汇表和基础模型能力，利用视觉 - 语言模型实现零样本检测。其次是半监督和自监督学习，减少对标记数据的依赖，利用未标记图像提高鲁棒性。架构方面，预计将继续融合 Transformer 和 CNN 设计，混合局部特征提取与全局上下文建模。最后，边缘感知训练和优化将成为重点，量化感知训练和神经架构搜索将更普遍，确保模型在训练阶段就考虑硬件约束。

注：本研究计划通过在 YOLOv11-v13 上进行基准测试来评估 YOLO26。将使用机器视觉相机在农业环境中收集包含 10,000 多个标记目标的自定义数据集，并在 NVIDIA Jetson 上进行边缘计算实验，评估实时检测能力。