学习python使用Ultralytics的YOLO26进行目标检测的基本用法

gc_22992026-03-29 9:37

Ultralytics YOLO26是Ultralytics推出的最新版YOLO模型，专为边缘计算和低功耗设备设计，核心目标是在保持高精度的前提下，极致优化部署效率，而非单纯追求复杂的网络结构。
YOLO26的技术创新及主要功能包括：
1）端到端无NMS推理 ：原生去除了传统依赖的非极大值抑制（NMS）后处理步骤，直接输出最终检测结果，极大简化了部署流程，并降低了延迟；
2）移除分布焦点损失（DFL） ：通过简化边界框预测流程，提升了模型在各种边缘硬件上的兼容性和导出便利性；
3）全新MuSGD优化器 ：融合了传统SGD与大语言模型训练中的Muon技术，增强了训练稳定性，实现了更快的收敛速度；
4）ProgLoss + STAL机制：引入了渐进式损失平衡与小目标感知标签分配，显著提升了模型对小目标和复杂场景的检测精度。
YOLO26支持检测、分割、分类、姿势估计、旋转框检测等任务，不同的任务对应不同的模型，下图为目标检测所使用的模型信息及指标：

选择中型规模的目标检测模型yolo26m进行功能验证，代码比较简单，示例程序及运行效果如下图所示：

python 复制代码

from ultralytics import YOLO

model = YOLO(r"yolo26m.pt")
results = model('test2-scaled.jpg')
results[0].show()

参考文献：

1\]https://docs.ultralytics.com/zh/models/yolo26/