YOLO26：面向实时目标检测的关键架构增强与性能基准测试

YOLO26 围绕三个指导原则构建：简洁性、效率和创新。图 1 概述将这些设计选择与其支持的五个任务（目标检测、实例分割、姿态/关键点检测、旋转目标检测和分类）并列展示。在推理路径上，YOLO26 消除了 NMS，产生原生的端到端预测，消除了主要的后处理瓶颈，减少了延迟方差，并简化了跨部署的阈值调整。在回归方面，它移除了 DFL，将分布式的边界框解码转变为更轻量、硬件友好的公式，从而干净地导出到 ONNX、TensorRT、CoreML 和 TFLite——这对于边缘和移动端部署流程是一个实用的胜利。这些变化共同产生了一个更简洁的计算图、更快的冷启动和更少的运行时依赖，这对于 CPU 受限和嵌入式场景尤其有益。训练稳定性和小目标保真度通过 ProgLoss（渐进式损失平衡）和 STAL（小目标感知标签分配）来解决。ProgLoss 自适应地重新加权各目标损失，以防止在训练后期简单样本主导学习过程，而 STAL 则优先为微小或被遮挡的实例分配标签，提高了在航空、机器人、智能摄像头等常见于杂乱、树叶或运动模糊条件下的召回率。优化由 MuSGD 驱动，这是一种混合优化器，融合了 SGD 的泛化能力与受 Muon 风格方法启发的动量/曲率行为，实现了更快、更平滑的收敛和跨尺度更可靠的平台期。

如图 1 再次强调，功能上，YOLO26 的五个能力共享统一的骨干/颈部和简化的头：

• 目标检测：无锚框、无 NMS 的边界框和分数
• 实例分割：耦合到共享特征的轻量级掩码分支
• 姿态/关键点检测：用于人体或部位关键点的紧凑关键点头
• 旋转目标检测：用于倾斜物体和细长目标的旋转边界框
• 分类：用于纯识别任务的单标签逻辑输出

[图 2：YOLO26 统一架构支持五个关键视觉任务]

图 1：YOLO26 统一架构支持五个关键视觉任务：目标检测、实例分割、姿态/关键点检测、旋转目标检测和分类。

这种整合设计允许进行多任务训练或特定任务的微调，而无需进行架构上的修改，同时简化的导出保持了跨加速器的可移植性。总之，YOLO26 通过将端到端推理和无 DFL 回归与 ProgLoss、STAL 和 MuSGD 相结合，推进了 YOLO 系列的发展，产生了一个部署更快、训练更稳定、能力更广泛的模型，如图 1 视觉总结所示。

2 YOLO26 的架构增强

YOLO26 的架构遵循一个经过精简和高效的流程，专为跨边缘和服务器平台的实时目标检测而构建。如图 2 所示，该过程始于以图像或视频流形式的输入数据，这些数据首先经过预处理操作，包括调整大小和归一化到适合模型推理的标准尺寸。然后，数据被送入骨干特征提取阶段，一个紧凑而强大的卷积网络在此捕获视觉模式的层次化表征。为了增强跨尺度的鲁棒性，该架构生成多尺度特征图（图 2），为大小目标保留语义丰富性。这些特征图随后在一个轻量级的特征融合颈部进行合并，信息以计算高效的方式进行整合。特定于检测的处理发生在直接回归头中，与先前的 YOLO 版本不同，它直接输出边界框和类别概率，而不依赖于非极大值抑制（NMS）。这种端到端的无 NMS 推理（图 2）消除了后处理开销并加速了部署。训练稳定性和准确性通过 ProgLoss 平衡和 STAL 分配模块得到加强，确保损失项的公平加权并改进小目标的检测。模型优化由 MuSGD 优化器引导，结合了 SGD 和 Muon 的优势，实现更快、更可靠的收敛。部署效率通过量化得到进一步增强，支持 FP16 和 INT8 精度，从而能够在 CPU、NPU 和 GPU 上实现加速，同时精度损失最小。最后，该流程最终生成输出预测，包括边界框和类别分配，可以可视化叠加在输入图像上。总的来说，YOLO26 的架构展示了一种精心平衡的设计理念，同时提升了准确性、稳定性和部署简便性。

YOLO26 引入了几个关键的架构创新，使其区别于前几代 YOLO 模型。这些增强不仅提高了训练稳定性和推理效率，而且从根本上重塑了实时边缘设备的部署流程。在本节中，我们描述了 YOLO26 的四个主要贡献：（i）移除分布焦点损失（DFL），（ii）引入端到端无 NMS 推理，（iii）包括渐进式损失平衡（ProgLoss）和小目标感知标签分配（STAL）在内的新颖损失函数策略，以及（iv）开发用于稳定高效收敛的 MuSGD 优化器。我们将详细讨论每一项架构增强，并通过对比分析突出它们相较于 YOLOv8、YOLOv11、YOLOv12 和 YOLOv13 等早期 YOLO 版本的优势。

[图 3：Ultralytics YOLO26 的简化架构图]

2.1 移除分布焦点损失（DFL）

YOLO26 中最显著的架构简化之一是移除了分布焦点损失（DFL）模块（图 3a），该模块曾出现在 YOLOv8 和 YOLOv11 等先前的 YOLO 版本中。DFL 最初旨在通过预测边界框坐标的概率分布来改进边界框回归，从而允许更精确的目标定位。虽然该策略在早期模型中显示出准确性的提升，但它也引入了不小的计算开销和导出困难。在实践中，DFL 在推理和模型导出时需要特殊处理，这使针对 ONNX、CoreML、TensorRT 或 TFLite 等硬件加速器的部署流程复杂化。

通过消除 DFL，YOLO26 简化了模型架构，使边界框预测成为一个更直接的回归任务，同时不牺牲性能。对比分析表明，当与 ProgLoss 和 STAL 等其他创新结合时，YOLO26 实现了与基于 DFL 的 YOLO 模型相当或更优的准确性。此外，移除 DFL 显著降低了推理延迟并提高了跨平台兼容性。这使得 YOLO26 更适合边缘 AI 场景，在这些场景中，轻量级和硬件友好的模型至关重要。

相比之下，YOLOv12 和 YOLOv13 等模型在其架构中保留了 DFL，这限制了它们在受限设备上的适用性，尽管在 GPU 资源丰富的环境中具有强大的准确性基准。因此，YOLO26 标志着朝着使最先进的目标检测性能与移动、嵌入式和工业应用的实际需求相协调的决定性一步。

2.2 端到端无 NMS 推理

YOLO26 的另一个突破性特性是其原生支持无需非极大值抑制（NMS）的端到端推理（参见图 3b）。传统的 YOLO 模型，包括从 YOLOv8 到 YOLOv13，都严重依赖 NMS 作为后处理步骤，通过只保留置信度最高的边界框来过滤掉重复的预测。虽然有效，但 NMS 给流程增加了额外的延迟，并且需要手动调整超参数，如交并比（IoU）阈值。这种对手工后处理步骤的依赖在部署流程中引入了脆弱性，特别是对于边缘设备和延迟敏感的应用。

YOLO26 从根本上重新设计了预测头，以产生直接的、非冗余的边界框预测，而无需 NMS。这种端到端设计不仅降低了推理复杂度，还消除了对人工调整阈值的依赖，从而简化了集成到生产系统中的过程。对比基准测试表明，YOLO26 实现了比 YOLOv11 和 YOLOv12 更快的推理速度，其中 nano 模型的 CPU 推理时间减少了高达 43%。这使得 YOLO26 对移动设备、无人机和嵌入式机器人平台特别有利，在这些平台上，毫秒级的延迟可能产生重大的操作影响。

除了速度之外，无 NMS 方法还提高了可重复性和部署可移植性，因为模型不再需要大量的后处理代码。虽然其他先进的检测器（如 RT-DETR 和 Sparse R-CNN）已经尝试了无 NMS 推理，但 YOLO26 代表了第一个采用这种范式同时保持 YOLO 标志性的速度与准确性平衡的 YOLO 版本。与仍然依赖 NMS 的 YOLOv13 相比，YOLO26 的端到端流程作为实时检测的前瞻性架构脱颖而出。

2.3 ProgLoss 与 STAL：增强的训练稳定性和小目标检测

训练稳定性和小目标识别仍然是目标检测中持续存在的挑战。YOLO26 通过集成两种新颖的策略来解决这些问题：渐进式损失平衡（ProgLoss）和小目标感知标签分配（STAL），如图 3c 所示。

ProgLoss 在训练期间动态调整不同损失分量的权重，确保模型不会过度拟合主导目标类别，同时对稀有或小类别表现不佳。这种渐进式重新平衡提高了泛化能力，并防止了在训练后期阶段的不稳定性。另一方面，STAL 明确优先为小目标分配标签，这些小目标由于其有限的像素表示和容易被遮挡而特别难以检测。ProgLoss 和 STAL 共同为 YOLO26 在包含小目标或被遮挡目标的数据集（如 COCO 和无人机影像基准）上提供了实质性的准确性提升。

[图 4：ProgLoss 与 STAL 策略示意图]

相比之下，早期模型如 YOLOv8 和 YOLOv11 没有纳入此类针对性机制，通常需要数据集特定的增强或外部训练技巧来实现可接受的小目标性能。YOLOv12 和 YOLOv13 试图通过基于注意力的模块和增强的多尺度特征融合来解决这一差距；然而，这些解决方案增加了架构复杂性和推理成本。YOLO26 以更轻量级的方法实现了相似或更优的改进，从而加强了其对于边缘 AI 应用的适用性。通过集成 ProgLoss 和 STAL，YOLO26 在保持 YOLO 家族效率和可移植性的同时，确立了自身作为鲁棒的小目标检测器的地位。

2.4 用于稳定收敛的 MuSGD 优化器

YOLO26 的最后一个创新是引入了 MuSGD 优化器（图 3d），它结合了随机梯度下降（SGD）的优势与最近提出的 Muon 优化器（一种受大型语言模型训练中使用的优化策略启发的技术）的优势。MuSGD 利用了 SGD 的鲁棒性和泛化能力，同时融合了 Muon 的自适应特性，从而能够在不同数据集上实现更快的收敛和更稳定的优化。

这种混合优化器反映了现代深度学习的一个重要趋势：自然语言处理（NLP）和计算机视觉之间进展的交叉融合。通过借鉴 LLM 训练实践（例如，Moonshot AI 的 Kimi K2），YOLO26 受益于先前在 YOLO 系列中未探索过的稳定性增强。实证结果表明，MuSGD 使 YOLO26 能够以更少的训练周期达到具有竞争力的准确性，从而减少了训练时间和计算成本。

先前的 YOLO 版本，包括从 YOLOv8 到 YOLOv13，依赖于标准的 SGD 或 AdamW 变体。虽然有效，但这些优化器需要进行大量的超参数调整，并且有时表现出不稳定的收敛，特别是在具有高变异性的数据集上。相比之下，MuSGD 在保持 YOLO 轻量级训练理念的同时提高了可靠性。对于实践者来说，这意味着更短的开发周期、更少的训练重启次数以及跨部署场景更可预测的性能。通过集成 MuSGD，YOLO26 不仅将自己定位为一个推理优化的模型，而且还是一个对研究人员和行业实践者友好的、便于训练的架构。

3 基准测试与比较分析

针对 YOLO26，我们进行了一系列严格的基准测试，以评估其性能，并与 YOLO 前代模型以及替代的最先进架构进行比较。图 4 呈现了这一评估的综合视图，绘制了在 NVIDIA T4 GPU 上使用 TensorRT FP16 优化时的 COCO mAP(50–95) 与延迟（每张图像毫秒数）的关系。包含竞争架构，如 YOLOv10、RT-DETR、RT-DETRv2、RT-DETRv3 和 DEIM，提供了近期实时检测进展的全面概览。从图中可以看出，YOLO26 展示了一个独特的位置：它保持了与 RT-DETRv3 等基于 Transformer 模型相媲美的高精度水平，同时在推理速度方面显著优于它们。例如，YOLO26-m 和 YOLO26-l 分别实现了高于 51% 和 53% 的竞争性 mAP 分数，但延迟显著降低，这突显了其无 NMS 架构和轻量级回归头的优势。

这种准确性与速度之间的平衡对于边缘部署尤其重要，因为在边缘部署中，保持实时吞吐量与确保可靠的检测质量同样重要。与 YOLOv10 相比，YOLO26 在不同的模型规模上持续实现了更低的延迟，在 CPU 受限的推理中观察到高达 43% 的加速，同时通过其 ProgLoss 和 STAL 机制保持或提高了准确性。与严重依赖 Transformer 编码器和解码器的 DEIM 和 RT-DETR 系列相比，YOLO26 简化的骨干网络和 MuSGD 驱动的训练流程实现了更快的收敛和更精简的推理，同时不影响小目标识别能力。

图 4 中的图表清楚地说明了这些区别：虽然 RT-DETRv3 在大规模准确性基准测试中表现出色，但其延迟曲线仍然不如 YOLO26 有利，这强化了 YOLO26 以边缘为中心的设计理念。此外，基准测试分析强调了 YOLO26 在平衡准确性 - 延迟曲线方面的鲁棒性，使其成为适用于高吞吐量服务器应用和资源受限设备的多功能检测器。这一比较证据证实了 YOLO26 不仅仅是渐进式的更新，而是 YOLO 系列中的范式转变，成功弥合了早期 YOLO 模型效率至上的理念与基于 Transformer 的检测器准确性驱动的导向之间的差距。最终，基准测试结果表明，YOLO26 提供了引人注目的部署优势，特别是在对延迟有严格要求、需要可靠性能的实际环境中。

[图 5：YOLO26 性能基准测试结果]

图 4：YOLO26 与 YOLOv10、RT-DETR、RT-DETRv2、RT-DETRv3 和 DEIM 在 COCO 数据集上的性能基准测试。该图显示了在 NVIDIA T4 GPU 上使用 TensorRT FP16 推理测得的 COCO mAP(50–95) 与延迟（每张图像毫秒数）的关系。YOLO26 展示了准确性与效率之间的卓越平衡，实现了具有竞争力的检测性能，同时显著降低了延迟，从而突出了其在实时边缘和资源受限部署中的适用性。

4 使用 Ultralytics YOLO26 进行实时部署

在过去十年中，目标检测模型的发展不仅体现在准确性的提高上，还体现在部署复杂性的增长上[26, 27, 28]。早期检测器如 R-CNN 及其更快变体（Fast R-CNN、Faster R-CNN）实现了令人印象深刻的检测质量，但计算成本高昂，需要多个阶段进行区域提议和分类[29, 30, 31]。这限制了它们在实时和嵌入式应用中的使用。YOLO 家族的出现改变了这一格局，它将检测重新定义为一个单一的回归问题，使得在商用 GPU 上实现实时性能成为可能[32]。然而，随着 YOLO 系列从 YOLOv1 发展到 YOLOv13，准确性的提升常常以增加额外的架构组件为代价，例如分布焦点损失（DFL）、复杂的后处理步骤（如非极大值抑制（NMS））以及日益沉重的骨干网络，这些都在部署过程中引入了摩擦。YOLO26 通过精简架构和导出路径来直接解决这一长期存在的挑战，从而降低跨不同硬件和软件生态系统的部署障碍。

4.1 灵活的导出与集成路径

YOLO26 的一个关键优势是其能够无缝集成到现有的生产流程中。Ultralytics 维护一个积极开发的 Python 包，为训练、验证和导出提供统一支持，降低了寻求采用 YOLO26 的实践者的技术门槛。与早期需要为硬件加速进行大量自定义转换脚本的 YOLO 模型不同[33, 34, 35]，YOLO26 原生支持广泛的导出格式。这些格式包括用于最大 GPU 加速的 TensorRT、用于广泛跨平台兼容性的 ONNX、用于原生 iOS 集成的 CoreML、用于 Android 和边缘设备的 TFLite，以及用于在英特尔硬件上优化性能的 OpenVINO。这些导出选项的广度使得研究人员、工程师和开发人员能够将模型从原型设计阶段推进到生产阶段，而不会遇到早期版本中常见的兼容性瓶颈。

历史上，YOLOv3 到 YOLOv7 在导出时通常需要人工干预，特别是在针对 NVIDIA TensorRT 或 Apple CoreML 等专用推理引擎时[36, 37]。类似地，基于 Transformer 的检测器（如 DETR 及其后续版本）在转换到 PyTorch 环境之外时面临挑战，因为它们依赖于动态注意力机制。相比之下，YOLO26 通过移除 DFL 和采用无 NMS 预测头而简化的架构，确保了跨平台的兼容性，同时不牺牲准确性。这使得 YOLO26 成为迄今为止部署最友好的检测器之一，强化了其作为边缘优先模型的身份。

4.2 量化与资源受限设备

除了导出灵活性之外，现实世界部署的真正挑战在于确保在计算资源有限的设备上的效率[27, 38]。边缘设备，如智能手机、无人机和嵌入式视觉系统，通常缺乏独立的 GPU，并且必须平衡内存、功耗和延迟约束[39, 40]。量化是减少模型大小和计算负载的广泛采用的策略，然而许多复杂的检测器在进行激进的量化时会出现显著的准确性下降。YOLO26 在设计时就考虑到了这一限制。

得益于其简化的架构和简化的边界框回归流程，YOLO26 在半精度（FP16）和整数（INT8）量化方案下都表现出一致的准确性。FP16 量化利用 GPU 对混合精度算术的原生支持，以更少的内存占用实现更快的推理。INT8 量化将模型权重压缩为 8 位整数，在保持具有竞争力的准确性的同时，显著减少了模型大小和能耗。基准实验证实，YOLO26 在这些量化水平下保持稳定性，在相同条件下优于 YOLOv11 和 YOLOv12。这使得 YOLO26 特别适合部署在紧凑的硬件上，如 NVIDIA Jetson Orin、Qualcomm Snapdragon AI 加速器，甚至是为智能摄像头提供动力的基于 ARM 的 CPU。

相比之下，基于 Transformer 的检测器（如 RT-DETRv3）在 INT8 量化下表现出性能的急剧下降[41]，这主要是由于注意力机制对精度降低的敏感性。同样，YOLOv12 和 YOLOv13 虽然在 GPU 服务器上提供了强大的准确性，但在低功耗设备上一旦量化后，难以保持有竞争力的性能。因此，YOLO26 为目标检测中的量化感知设计建立了新的基准，证明了架构简洁性可以直接转化为部署鲁棒性。

4.3 跨行业应用：从机器人到制造

这些部署增强的实际影响可以通过跨行业应用得到最好的说明。在机器人领域，实时感知对于导航、操纵和安全的人机协作至关重要[42, 43]。通过提供无 NMS 预测和一致的低延迟推理，YOLO26 使机器人系统能够更快、更可靠地解释其环境。例如，配备 YOLO26 的机械臂可以在动态条件下以更高的精度识别和抓取物体，而移动机器人则受益于在杂乱空间中改进的障碍物识别能力。与 YOLOv8 或 YOLOv11 相比，YOLO26 提供了更低的推理延迟，这在高速场景中可能是安全操作与碰撞之间的区别。

在制造业中，YOLO26 对于自动缺陷检测和质量保证具有重要影响。传统的手动检查不仅劳动密集，而且容易出错。先前的 YOLO 版本，特别是 YOLOv8，已经在智能工厂中得到部署；然而，导出的复杂性和 NMS 的延迟开销有时限制了大规模的推广。YOLO26 通过提供通过 OpenVINO 或 TensorRT 的轻量级部署选项来减轻这些障碍，允许制造商将实时缺陷检测系统直接集成到生产线上。早期基准测试表明，基于 YOLO26 的缺陷检测流程与 YOLOv12 和基于 Transformer 的替代方案（如 DEIM）相比，实现了更高的吞吐量和更低的运营成本。

4.4 来自 YOLO26 部署的广泛见解

总而言之，YOLO26 的部署特性强调了目标检测演变中的一个中心主题：架构效率与准确性同等重要。虽然过去五年见证了从基于卷积的 YOLO 变体到基于 Transformer 的检测器（如 DETR 和 RT-DETR）日益复杂的模型的兴起，但实验室性能与生产就绪性之间的差距常常限制了它们的影响力。YOLO26 通过简化架构、扩展导出兼容性并确保量化下的弹性，弥合了这一差距，从而将尖端准确性与实际部署需求相结合。

对于构建移动应用程序的开发人员，YOLO26 通过 CoreML 和 TFLite 实现无缝集成，确保模型在 iOS 和 Android 平台上本地运行。对于在云或本地服务器上部署视觉 AI 的企业，TensorRT 和 ONNX 导出提供了可扩展的加速选项。对于工业和边缘用户，OpenVINO 和 INT8 量化保证了即使在资源紧张的限制下性能也能保持一致。从这个意义上说，YOLO26 不仅是目标检测研究的一个进步，也是民主化部署的一个重要里程碑。

5 结论与未来方向

总之，YOLO26 代表了 YOLO 目标检测系列中的一个重大飞跃，将架构创新与务实的部署焦点相结合。该模型通过移除分布焦点损失（DFL）模块并消除对非极大值抑制的需求来简化其设计。通过移除 DFL，YOLO26 简化了边界框回归并避免了导出复杂化，从而拓宽了与各种硬件的兼容性。同样，其端到端、无 NMS 的推理使网络能够直接输出最终检测结果，而无需后处理步骤。这不仅减少了延迟，还简化了部署流程，使 YOLO26 成为早期 YOLO 理念的自然演进。在训练方面，YOLO26 引入了渐进式损失平衡（ProgLoss）和小目标感知标签分配（STAL），它们共同稳定了学习过程，并提升了在具有挑战性的小目标上的准确性。此外，新颖的 MuSGD 优化器结合了 SGD 和 Muon 的特性，加速了收敛并提高了训练稳定性。这些增强功能协同工作，提供了一个不仅在实践中更准确、更鲁棒，而且明显更快、更轻量的检测器。

基准比较凸显了 YOLO26 相对于其 YOLO 前代模型和当代模型的强大性能。先前的 YOLO 版本（如 YOLO11）以更高的效率超越了早期版本，而 YOLO12 通过集成注意力机制进一步扩展了准确性。YOLO13 增加了基于超图的改进以实现额外的提升。YOLO26 相对于基于 Transformer 的竞争对手，在很大程度上缩小了差距。其原生的无 NMS 设计反映了受 Transformer 启发的检测器的端到端方法，但具有 YOLO 标志性的效率。YOLO26 在提供具有竞争力的准确性的同时，显著提升了在常见硬件上的吞吐量并最小化了复杂性。实际上，YOLO26 的设计使其在 CPU 上的推理速度比以前的 YOLO 版本快高达 43%，使其成为资源受限环境中最实用的实时检测器之一。这种性能与效率的和谐平衡使得 YOLO26 不仅在基准排行榜上表现出色，而且在速度、内存和能耗至关重要的实际现场部署中也表现出色。

YOLO26 的一个主要贡献是其对部署优势的强调。该模型的架构被特意优化以用于实际应用：通过省略 DFL 和 NMS，YOLO26 避免了在专用硬件加速器上难以实现的操作，从而提高了跨设备的兼容性。该网络可以导出为多种格式，包括 ONNX、TensorRT、CoreML、TFLite 和 OpenVINO，确保开发人员可以同样轻松地将其集成到移动应用程序、嵌入式系统或云服务中。至关重要的是，YOLO26 还支持鲁棒的量化：得益于其简化的架构能够容忍低比特宽度推理，它可以使用 INT8 量化或半精度 FP16 进行部署，而对准确性的影响最小。这意味着模型可以被压缩和加速，同时仍能提供可靠的检测性能。这些特性转化为实际的边缘性能提升：从无人机到智能摄像头，YOLO26 可以在 CPU 和小型设备上实时运行，而以前的 YOLO 模型在这些设备上运行困难。所有这些改进都展示了一个贯穿始终的主题：YOLO26 弥合了尖端研究思想与可部署 AI 解决方案之间的差距。这种方法强调了 YOLO26 作为学术创新与工业应用之间桥梁的作用，将最新的视觉进展直接带给实践者。

5.1 未来方向

展望未来，YOLO 和目标检测研究的轨迹指出了几个有希望的方向。一个明确的途径是将多个视觉任务统一到更全面的模型中。YOLO26 已经在一个框架中支持目标检测、实例分割、姿态估计、旋转边界框和分类，反映了向多任务通用性发展的趋势。未来的 YOLO 迭代可能会通过融入开放词汇表和基础模型能力来进一步推动这一点。这可能意味着利用强大的视觉 - 语言模型，使检测器能够以零样本方式识别任意的目标类别，而不受限于固定的标签集。通过基于基础模型和大规模预训练进行构建，下一代的 YOLO 可以作为一个通用的视觉 AI，无缝处理检测、分割，甚至对上下文中的新目标进行描述。

另一个关键的演进可能在于目标检测领域的半监督和自监督学习[44, 45, 46, 47]。最先进的检测器仍然严重依赖大型标记数据集，但研究正在迅速推进利用未标记或部分标记数据进行训练的方法。教师 - 学生训练[48, 49, 50]、伪标签[51, 52]和自监督特征学习[53]等技术可以集成到 YOLO 训练流程中，以减少对大量人工标注的需求。未来的 YOLO 可能会自动利用大量未标注的图像或视频来提高识别的鲁棒性。通过这样做，模型可以持续改进其检测能力，而无需成比例地增加标记数据，使其更能适应新领域或罕见目标类别。

在架构方面，我们预计在目标检测器中会继续融合 Transformer 和 CNN 设计原则。近期 YOLO 模型的成功表明，将注意力和全局推理注入 YOLO 类架构中可以带来准确性收益[54, 55]。未来的 YOLO 架构可能会采用混合设计，将卷积骨干网络（用于高效的局部特征提取）与基于 Transformer 的模块或解码器（用于捕获长距离依赖关系和上下文）相结合。这种混合方法可以通过建模纯 CNN 或朴素自注意力可能错过的关系，来改进模型对复杂场景的理解，例如在拥挤或高度上下文依赖的环境中。我们期望下一代检测器能够智能地融合这些技术，实现丰富的特征表征和低延迟。简而言之，"基于 CNN 的"和"基于 Transformer 的"检测器之间的界限将继续模糊，汲取两者的优势以应对多样化的检测挑战。

最后，由于部署仍然是一个首要关注点，未来的研究可能会强调边缘感知的训练和优化。这意味着从训练阶段开始，模型开发将越来越多地考虑硬件约束，而不是仅仅作为事后的想法。诸如量化感知训练（在训练期间使用模拟低精度算术）之类的技术可以确保即使在量化为 INT8 以实现快速推理后，网络仍然保持准确。我们还可能看到神经架构搜索和自动化模型压缩在构建 YOLO 模型时成为标准，从而使每个新版本都是与特定目标平台协同设计的。此外，将部署反馈（例如设备上的延迟测量或能耗）纳入训练循环是一个新兴的想法。例如，一个边缘优化的 YOLO 可以根据运行时约束动态调整其深度或分辨率，或者从更大的模型蒸馏到更小的模型，同时性能损失最小。通过在训练中考虑这些因素，所产生的检测器将在实践中实现准确性与效率之间更优的权衡。随着目标检测器进入物联网、AR/VR 和自主系统，在这些领域中，在有限硬件上的实时性能是无可非议的，这种对高效 AI 的关注至关重要。

注意：本研究将在不久的将来通过基准测试 YOLO26 与 YOLOv13、YOLOv12 和 YOLOv11 的性能进行实验评估。将使用机器视觉摄像头在农业环境中收集一个包含 10,000 多个手动标记的目标的自定义数据集。模型将在相同条件下进行训练，结果将以精确率、召回率、准确率、F1 分数、mAP、推理速度和前/后处理时间的形式报告。此外，在 NVIDIA Jetson 上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。

6 致谢

本工作部分得到了美国国家科学基金会（NSF）和美国农业部（USDA）国家粮食与农业研究所（NIFA）通过"农业人工智能（AI）研究所"计划的支持，资助号为 AWD003473 和 AWD004595，以及 USDA-NIFA 登录号 1029004，项目名为"使用软机械臂进行机器人疏花"。额外支持来自 USDA-NIFA 资助号 2024-67022-41788，登录号 1031712，项目名为"扩大 UCF 人工智能研究至新型农业工程应用（PARTNER）"。

参考文献

[1] Zhong-Qiu Zhao, Peng Zheng, Shou-tao Xu, and Xindong Wu. Object detection with deep learning: A review. IEEE transactions on neural networks and learning systems, 30(11):3212–3232, 2019.
[2] Zhengxia Zou, Keyan Chen, Zhenwei Shi, Yuhong Guo, and Jieping Ye. Object detection in 20 years: A survey. Proceedings of the IEEE, 111(3):257–276, 2023.
[3] Chhavi Rana et al. Artificial intelligence based object detection and traffic prediction by autonomous vehicles—a review. Expert Systems with Applications, 255:124664, 2024.
[4] Zohaib Khan, Yue Shen, and Hui Liu. Object detection in agriculture: A comprehensive review of methods, applications, challenges, and future directions. Agriculture, 15(13):1351, 2025.
[5] Ranjan Sapkota, Marco Flores-Calero, Rizwan Qureshi, Chetan Badgujar, Upesh Nepal, Alwin Poulose, Peter Zeno, Uday Bhanu Prakash Vaddevolu, Sheheryar Khan, Maged Shoman, et al. Yolo advances to its genesis: a decadal and comprehensive review of the you only look once (yolo) series. Artificial Intelligence Review, 58(9):274, 2025.
[6] Ranjan Sapkota, Rahul Harsha Cheppally, Ajay Sharda, and Manoj Karkee. Rf-detr object detection vs yolov12: A study of transformer-based and cnn-based architectures for single-class and multi-class greenfruit detection in complex orchard environments under label ambiguity. arXiv preprint arXiv:2504.13099, 2025.
[7] Ranjan Sapkota, Awood Ahmed, and Manoj Karkee. Comparative analysis of yolov8 and mask r-cnn for instance segmentation in complex orchard environments. Artificial Intelligence in Agriculture, 13:84-99, 2024.
[8] Joseph Redmon, Santosh Divvala, Ross Girshick, and Ali Farhadi. You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 779-788, 2016.
[9] Joseph Redmon and Ali Farhadi. Yolo9000: better, faster, stronger. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 7263–7271, 2017.
[10] Joseph Redmon and Ali Farhadi. Yolov3: An incremental improvement. arXiv preprint arXiv:1804.02767, 2018.
[11] Alexey Bochkovskiy, Chien-Yao Wang, and Hong-Yuan Mark Liao. Yolov4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934, 2020.
[12] Chuyi Li, Lulu Li, Hongliang Jiang, Kaiheng Weng, Yifei Geng, Liang Li, Zaidan Ke, Qingyuan Li, Meng Cheng, Weiqiang Nie, et al. Yolov6: A single-stage object detection framework for industrial applications. arXiv preprint arXiv:2209.02976, 2022.
[13] Chien-Yao Wang, Alexey Bochkovskiy, and Hong-Yuan Mark Liao. Yolov7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pages 7464–7475, 2023.
[14] Chien-Yao Wang, I-Hau Yeh, and Hong-Yuan Mark Liao. Yolov9: Learning what you want to learn using programmable gradient information. In European conference on computer vision, pages 1–21. Springer, 2024.
[15] Ao Wang, Hui Chen, Lihao Liu, Kai Chen, Zijia Lin, Jungong Han, et al. Yolov10: Real-time end-to-end object detection. Advances in Neural Information Processing Systems, 37:107984–108011, 2024.
[16] Yunjie Tian, Qixiang Ye, and David Doermann. Yolov12: Attention-centric real-time object detectors. arXiv preprint arXiv:2502.12524, 2025.
[17] Mengqi Lei, Siqi Li, Yihong Wu, Han Hu, You Zhou, Xinhu Zheng, Guiguang Ding, Shaoyi Du, Zongze Wu, and Yue Gao. Yolov13: Real-time object detection with hypergraph-enhanced adaptive visual perception. arXiv preprint arXiv:2506.17733, 2025.
[18] Kaiming He, Georgia Gkioxari, Piotr Dollár, and Ross Girshick. Mask r-cnn. In Proceedings of the IEEE international conference on computer vision, pages 2961–2969, 2017.
[19] Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun. Faster r-cnn: Towards real-time object detection with region proposal networks. IEEE transactions on pattern analysis and pattern intelligence, 39(6):1137–1149, 2016.
[20] Tausif Diwan, G Anirudh, and Jitendra V Tembhurne. Object detection using yolo: challenges, architectural successors, datasets and applications. Multimedia Tools and Applications, 82(6):9243–9275, 2023.
[21] Momina Liaqat Ali and Zhou Zhang. The yolo framework: A comprehensive review of evolution, applications, and benchmarks in object detection. Computers, 13(12):336, 2024.
[22] Kyriakos D Apostolidis and George A Papakostas. Delving into yolo object detection models: Insights into adversarial robustness. Electronics, 14(8):1624, 2025.
[23] Enerst Edozie, Aliyu Nuhu Shuaibu, Ukagwu Kelechi John, and Bashir Olaniyi Sadiq. Comprehensive review of recent developments in visual object detection based on deep learning. Artificial Intelligence Review, 58(9):277, 2025.
[24] Mupparaju Sohan, Thotakura Sai Ram, and Ch Venkata Rami Reddy. A review on yolov8 and its advancements. In International Conference on Data Intelligence and Cognitive Informatics, pages 529–545. Springer, 2024.
[25] J Javaria Farooq, Muhammad Muaz, Khurram Khan Jadoon, Nayyer Aafaq, and Muhammad Khizer Ali Khan. An improved yolov8 for foreign object debris detection with optimized architecture for small objects. Multimedia Tools and Applications, 83(21):60921-60947, 2024.
[26] Maria Trigka and Elias Dritsas. A comprehensive survey of machine learning techniques and models for object detection. Sensors, 25(1):214, 2025.
[27] Md Tanzib Hosain, Asif Zaman, Mushfiqur Rahman Abir, Shanjida Akter, Sawon Mursalin, and Shadman Sakeeb Khan. Synchronizing object detection: Applications, advancements and existing challenges. IEEE access, 12:54129–54167, 2024.
[28] Ambati Pravallika, Mohammad Farukh Hashmi, and Aditya Gupta. Deep learning frontiers in 3d object detection: a comprehensive review for autonomous driving. IEEE Access, 2024.
[29] Jiawei Tian, Seungho Lee, and Kyungtae Kang. Faster r-cnn in healthcare and disease detection: A comprehensive review. In 2025 International Conference on Electronics, Information, and Communication (ICEIC), pages 1–6. IEEE, 2025.
[30] Peng Fu and Jiyang Wang. Lithology identification based on improved faster r-cnn. Minerals, 14(9):954, 2024.
[31] Samiyaa Yaseen Mohammed. Architecture review: Two-stage and one-stage object detection. Franklin Open, page 100322, 2025.
[32] Richard Johnson. YOLO Object Detection Explained: Definitive Reference for Developers and Engineers. HiTeX Press, 2025.
[33] Daniel Pestana, Pedro R Miranda, João D Lopes, Rui P Duarte, Mário P Véstias, Horacio C Neto, and José T De Sousa. A full featured configurable accelerator for object detection with yolo. IEEE Access, 9:75864–75877, 2021.
[34] Duy Thanh Nguyen, Tuan Nghia Nguyen, Hyun Kim, and Hyuk-Jae Lee. A high-throughput and power-efficient fpga implementation of yolo cnn for object detection. IEEE Transactions on Very Large Scale Integration (VLSI) Systems, 27(8):1861–1873, 2019.
[35] Caiwen Ding, Shuo Wang, Ning Liu, Kaidi Xu, Yanzhi Wang, and Yun Liang. Req-yolo: A resource-aware, efficient quantization framework for object detection on fpgas. In proceedings of the 2019 ACM/SIGDA international symposium on field-programmable gate arrays, pages 33–42, 2019.
[36] Patricia Citranegara Kusuma and Benfano Soewito. Multi-object detection using yolov7 object detection algorithm on mobile device. Journal of Applied Engineering and Technological Science (JAETS), 5(1):305–320, 2023.
[37] Nico Surantha and Nana Sutisna. Key considerations for real-time object recognition on edge computing devices. Applied Sciences, 15(13):7533, 2025.
[38] Kareemah Abdulhaq and Abdussalam Ali Ahmed. Real-time object detection and recognition in embedded systems using open-source computer vision frameworks. Int. J. Electr. Eng. and Sustain., pages 103–118, 2025.
[39] Sabir Hossain and Deok-Jin Lee. Deep learning based real-time multiple-object detection and tracking on aerial imagery via a flying robot with gpu-based embedded devices. Sensors, 19(15):3371, 2019.
[40] Arief Setyanto, Theopilus Bayu Sasongko, Muhammad Ainul Fikri, and In Kee Kim. Near-edge computing aware object detection: A review. IEEE Access, 12:2989-3011, 2023.
[41] Shuo Wang, Chunlong Xia, Feng Lv, and Yifeng Shi. Rt-detrv3: Real-time end-to-end object detection with hierarchical dense positive supervision. In 2025 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), pages 1628-1636. IEEE, 2025.
[42] Andrea Bonci, Pangcheng David Cen Cheng, Marina Indri, Giacomo Nabissi, and Fiorella Sibona. Human-robot perception in industrial environments: A survey. Sensors, 21(5):1571, 2021.
[43] Ranjan Sapkota and Manoj Karkee. Object detection with multimodal large vision-language models: An in-depth review. Information Fusion, 126:103575, 2026.
[44] Peng Tang, Chetan Ramaiah, Yan Wang, Ran Xu, and Caiming Xiong. Proposal learning for semi-supervised object detection. In Proceedings of the IEEE/CVF winter conference on applications of computer vision, pages 2291–2301, 2021.
[45] Kihyuk Sohn, Zizhao Zhang, Chun-Liang Li, Han Zhang, Chen-Yu Lee, and Tomas Pfister. A simple semi-supervised learning framework for object detection. arXiv preprint arXiv:2005.04757, 2020.
[46] Gabriel Huang, Issam Laradji, David Vazquez, Simon Lacoste-Julien, and Pau Rodriguez. A survey of self-supervised and few-shot object detection. IEEE Transactions on Pattern Analysis and Pattern Intelligence, 45(4):4071–4089, 2022.
[47] Veenu Rani, Syed Tufael Nabi, Munish Kumar, Ajay Mittal, and Krishan Kumar. Self-supervised learning: A succinct review. Archives of Computational Methods in Engineering, 30(4):2761–2775, 2023.
[48] Yu-Jhe Li, Xiaoliang Dai, Chih-Yao Ma, Yen-Cheng Liu, Kan Chen, Bichen Wu, Zijian He, Kris Kitani, and Peter Vajda. Cross-domain adaptive teacher for object detection. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pages 7581–7590, 2022.
[49] Mengde Xu, Zheng Zhang, Han Hu, Jianfeng Wang, Lijuan Wang, Fangyun Wei, Xiang Bai, and Zicheng Liu. End-to-end semi-supervised object detection with soft teacher. In Proceedings of the IEEE/CVF international conference on computer vision, pages 3060-3069, 2021.
[50] Peng Mi, Jianghang Lin, Yiyi Zhou, Yunhang Shen, Gen Luo, Xiaoshuai Sun, Liujuan Cao, Rongrong Fu, Qiang Xu, and Rongrong Ji. Active teacher for semi-supervised object detection. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pages 14482–14491, 2022.
[51] Gang Li, Xiang Li, Yujie Wang, Yichao Wu, Ding Liang, and Shanshan Zhang. Pseco: Pseudo labeling and consistency training for semi-supervised object detection. In European Conference on Computer Vision, pages 457–472. Springer, 2022.
[52] Benjamin Caine, Rebecca Roelofs, Vijay Vasudevan, Jiquan Ngiam, Yuning Chai, Zhifeng Chen, and Jonathon Shlens. Pseudo-labeling for scalable 3d object detection. arXiv preprint arXiv:2103.02093, 2021.
[53] Longlong Jing and Yingli Tian. Self-supervised visual feature learning with deep neural networks: A survey. IEEE transactions on pattern analysis and pattern intelligence, 43(11):4037–4058, 2020.
[54] Ming Kang, Chee-Ming Ting, Fung Fung Ting, and Raphael C-W Phan. Asf-yolo: A novel yolo model with attentional scale sequence fusion for cell instance segmentation. Image and Vision Computing, 147:105057, 2024.
[55] Ajantha Vijayakumar and Subramaniyaswamy Vairavasundaram. Yolo-based object detection models: A review and its applications. Multimedia Tools and Applications, 83(35):83535–83574, 2024.