YOLO26：全新的视觉模型来了

1 前言

讲道理，YOLO26开源已经有几天了，今天来说YOLO26属实是有些姗姗来迟。

不过好饭不怕晚，目前，计算机视觉的发展诉求越来越不局限于实验室，而是要求从云端下沉到终端设备。当下视觉模型的发展，对于更快的速度，更高的精度提出了更加严格的要求。

而YOLO26就是为下一代计算机视觉而生的，由于YOLO26性能的提升，部署流程的简化以及模型功能的扩展，使得它进一步满足了行业的核心诉求。

Ultralytics创始人兼CEO Glenn Jocher在发布会上强调，希望最顶尖的AI技术不被大型企业垄断，而是能够走进千家万户，希望让AI能走进每个人的生活------从手机到交通工具，从低功耗设备到边缘终端，让所有解决方案开发者都能轻松获取强大的计算机视觉能力。

YOLO26依然延续了Ultralytics YOLO方便简洁易上手的特点，使得模型能丝滑切入各种工作，指出诸如分类、检测、分割以及姿态估计等典型计算机视觉任务，并且在本地设备、摄像头、嵌入式设备以及机器人系统中能够高效运行，节约了计算资源。

2 创新点所在

DFL 移除：

YOLO早期的模型依赖分布焦点损失，YOLO26采用更简洁的结构，直接删除了DFL模块，简化了边界框预测流程，提升了硬件兼容性，使得模型适合在边缘设备和低算力平台运行。

端到端无NMS推理:

消除NMS，不再需要过滤重叠预测框，支持端到端推理，实现更快、更简单的部署，降低了推理复杂度，完美契合边缘场景。

ProgLoss + STAL：

指的是渐进式损失平衡和小目标感知标签分配。第一点使得模型训练更加平稳，收敛更加平滑，稳定了训练过程。第二点在针对小目标问题上，使得YOLO26在复杂场景中，依然保持高敏感度。二者结合起来，进一步突破了YOLO适用场景的限制。

MuSGD Optimizer：

受大模型训练的启发，结合 SGD 和 Muon（灵感来自 Moonshot 的 Kimi K2），采用全新的混合优化器，训练更加稳定、高效。

CPU 推理速度提高高达 43%：

剑指边缘设备，间距高速度和高精度，使得边缘设备也能够实时处理视觉数据，提升了实时检测性能，解放了云端依赖。

YOLO26在视觉场景上应用广泛，如在机器人、无人机、制造业以及嵌入式设备中被批量部署。

在机器人领域，可以实现机器人的导航、安全运行、以及物体交互等任务；

在无人机领域，YOLO26可实时处理航空影像，完成检测、地质勘探和测绘等任务；

在制造业领域，提高图像和视频分析正确率，降低云端依赖，同时可以本地实时处理；

在嵌入式领域，可在低功耗单板上运行，在本地就可以完成视觉图像处理，降低云端依赖，常用设备有诸如只能摄像头、物联网传感器以及自动化监控设备等。

3 快速上手YOLO26

YOLO26的使用地址：

https://platform.ultralytics.com/ultralytics/yolo26

和之前的YOLO模型类似，YOLO26依然支持两种方式：

通过Ultralytics 平台下载代码：

YOLO26的代码连接：

https://github.com/ultralytics/ultralytics

下载代码后，用户可集中训练自己的模型和数据集。

首先需要安装好对应的库：

复制代码

pip install ultralytics

直接预测：

复制代码

yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

通过开源工作流使用 YOLO26

通过Ultralytics 开源生态系统完全访问，在安装好Ultralytics后，加载预训练的YOLO26模型，直接进行部署：

复制代码

from ultralytics import YOLO
model = YOLO("yolo26n.pt")
train_results = model.train(
    data="coco8.yaml",  # Path to dataset configuration file
    epochs=100,  # Number of training epochs
    imgsz=640,  # Image size for training
    device="cpu",  # Device to run on (e.g., 'cpu', 0, [0,1,2,3])
)
metrics = model.val()
Perform object detection on an image
results = model("path/to/image.jpg")  
results[0].show()  # Display results
path = model.export(format="onnx")

完整教程：

https://docs.ultralytics.com/

2024年，Ultralytics团队同时推出YOLO11和YOLO26两大模型，两颗双星在技术的竞技场上各有所长。

YOLO11凭借精妙的架构设计以及卓越的检测精度，将通用目标检测推向了新的技术高度；

而YOLO26则朝着边缘计算和部署效率一路狂飙，为低功耗设备视觉处理开启了全新的篇章。

两大模型的同期问世，Ultralytics团队名不虚传，为整个行业提供了两个面向不同需求的技术路径：YOLO11夯实理论优势，YOLO26则追求效率至上。

欢迎大家关注我的gzh：阿龙AI日记。