2026年1月，Ultralytics发布了YOLO系列的最新一代------YOLO26。这不是一次常规的版本迭代，而是一次从架构到训练流程的系统性重构。它解决了前代YOLO长期存在的几个硬伤，在精度-延迟的帕累托前沿上又往前推了一步。
从云端到边缘：为什么需要一个全新的YOLO
Computer Vision这几年有个很明显的趋势------AI正在下沉。越来越多的图像和视频不再传到云端处理，而是直接在摄像头、机器人、自动驾驶车辆这些边缘设备上跑。原因很简单：云端需要网络带宽，有延迟，还涉及数据隐私。对于工业质检、安防监控、无人机巡检这些场景，边缘端的实时推理不是锦上添花，是刚需。
但边缘设备的硬件条件很苛刻。功耗有限，算力有限，很多甚至连GPU都没有，只能靠CPU或者低端的NPU芯片。在这种条件下，模型不仅要准，还要轻，还要快，还要好部署。
YOLO系列一直是实时目标检测的事实标准，Ultralytics的版本又是其中应用最广的。从YOLOv5到YOLOv8再到YOLO11，每一代都在精度和速度上做权衡，但几个结构性问题一直没动过：依赖NMS后处理、DFL模块带来的参数膨胀和回归范围限制、SGD训练周期长、小目标容易在标签分配时被漏掉。
YOLO26就是冲着这些问题来的。
架构上的三处关键改动
去掉NMS，原生端到端推理
传统的目标检测流程分两步：网络输出一堆候选框，然后用非极大值抑制（NMS）把重叠的框筛掉，保留置信度最高的那个。这个NMS听起来简单，实际部署的时候挺麻烦的。它是一个后处理步骤，得在推理框架外面单独实现，不同硬件后端的实现还不一样，很容易出兼容性问题。
YOLOv10最早尝试解决这个问题，用双头设计------一个一对多的分支做密集监督，一个一对一的分支做最终预测。但YOLOv10的问题是，训练时两个分支用的是相同的损失权重，真正在推理时用的那个一对一分支反而没得到足够的优化压力。
YOLO26把这个思路往前推了一步。它同样是双头结构，但引入了Progressive Loss（渐进式损失），在训练过程中逐步把优化重点从一对多分支转移到一对一分支上。这样推理用的那个head得到了更充分的监督，效果自然更好。最终的模型可以直接输出结果，不需要NMS后处理。
如果你需要更高精度，也可以把NMS打开作为可选模式。两种head之间可以灵活切换，同一套模型权重就能跑。
彻底移除DFL
Distribution Focal Loss（DFL）是从YOLOv8开始引入的边界框回归方法。它把每个坐标的回归从预测一个标量值，变成预测K个bin的分布（通常K=16），这样能得到更精细的定位。但代价也很大：每个位置的回归参数量从4变成了4×K×K，head部分一下子膨胀了。
在nano级别的小模型上，这个问题尤其严重。比如YOLO11n带DFL时有2.6M参数、6.5 GFLOPs，去掉DFL之后变成2.3M参数、5.2 GFLOPs，光这一个模块就省了12%的参数和20%的计算量。而且DFL还有个硬伤，它的回归范围是有限制的，最多能覆盖(K-1)×stride个像素，在高分辨率图上检测大物体时会不够用。
YOLO26直接把DFL砍了，回归head简化成直接预测边界框坐标。表面上看定位精度可能会下降，但靠后面要说的STAL标签分配方法配合，实际上检测精度没丢，模型还更轻了，推理也更快了。
MuSGD：把LLM训练的经验搬过来
优化器这块，YOLO26用了一个叫MuSGD的混合优化器。SGD在计算机视觉领域是老牌选手了，简单、泛化好，但收敛速度慢，一般要训600个epoch才能到不错的效果。而Muon这个优化器是Large model训练那边的新东西，kimi K2就是用Muon训出来的。Muon在大语言模型上展示出大约两倍于AdamW的计算效率。
MuSGD把两者结合了一下，核心还是SGD，但借鉴了Muon的一些优化策略。论文里没给具体的训练epoch数，但从消融实验来看，MuSGD让训练更稳定，收敛更快，尤其是在Large model尺寸上效果更明显。这个思路挺有意思------大语言模型和CV训练社区之间的技术借鉴越来越频繁了。
STAL：别让小目标"消失"
Task-Aligned Learning（TAL）是上一代标签分配策略，它根据几何包含关系来选正样本anchor。问题在于，经过多层下采样之后，那些尺寸小于最小stride的小物体，在特征图上根本找不到能完全包含它的anchor，结果就是零正样本、零梯度信号。这些最小的物体在训练中相当于完全被忽略了。
STAL（Small-Target-Aware Label Assignment）就是专门解决这个问题的。它保证每个小物体至少能分到一个正样本anchor，不管它有多小。这个改动带来的提升很实在------在遥感图像、物联网摄像头这类小目标密集的场景里，YOLO26的表现明显好于前代。
跑出来的数据
说了这么多架构改动，最终还得看数据。YOLO26有五个尺寸：n、s、m、l、x，从最小的nano到最大的extra-large，覆盖从嵌入式设备到服务器GPU的各种部署场景。
在COCO val2017上，YOLO26五个尺寸的mAP50-95从40.9到57.5。T4 GPU上用TensorRT fp16跑推理，延迟从1.7ms到11.8ms不等，对应x到n的尺寸。和YOLO11比，同尺寸下mAP提升了1.6到2.8个点。
CPU上的改进可能更值得关注。YOLO26n在Intel Xeon 2.00GHz上用ONNX推理，比YOLO11n快了43%。对于那些没有GPU的边缘设备来说，这个提速意味着实时检测终于不再需要专门的硬件加速器了。
论文里的消融实验把每个改动的贡献拆得很清楚：移除DFL带来了参数和FLOPs的大幅下降，MuSGD和Progressive Loss分别贡献了约0.5-0.7个点的mAP提升，STAL让小目标检测改善了1.2个点左右。几个改动叠加在一起，就是最终那2-3个点的整体提升。
不止检测：一个模型干六件事
YOLO系列从YOLOv8开始就坚持"一模型多任务"的路线，YOLO26延续了这个设计。同一个骨干网络和颈部结构，换个head就能干不同的事。
支持的任务包括：目标检测、实例分割、语义分割、图像分类、姿态估计、有向边界框（OBB）检测。每个任务的head和损失函数都做了针对性优化。
实例分割这边，YOLO26把原来的单尺度原型模块改成了多尺度融合，还加了一个辅助语义分割损失来帮助训练收敛。在COCO分割任务上，mask AP比YOLO11最高提升了3.7个点。
姿态估计引入了RLE（残差对数似然估计）来对关键点预测的不确定性建模，解码流程也改了，COCO关键点AP提升了7.2个点。
OBB检测的改动更有意思。传统的角度参数化在方形物体上有方向性歧义（旋转180度看起来一样），YOLO26引入了专门的角度损失来解决这个问题，解码时也做了平滑处理减少角度跳变。在DOTA-v1.0数据集上mAP提升了3.4个点，对于卫星图像检测这种OBB的核心应用场景来说，这个提升很有实际意义。
YOLOE-26：开放世界检测的延伸
YOLO26还有一个值得单独提的分支------YOLOE-26。
传统的目标检测模型只能识别训练时见过的类别。YOLOE系列打破了这个限制，它可以用文本提示、视觉提示，甚至无提示来检测任意目标。YOLOE-26就是基于YOLO26架构重新做的开放词汇检测模型。
YOLOE-26有三种推理模式：文本提示（比如"检测所有汽车"）、视觉提示（给一张包含目标的参考图，找类似的）、无提示（检测所有显著性目标）。它用的是升级后的MobileCLIP2文本编码器，还引入了伪标签数据引擎和解耦的分割训练。
在LVIS minival数据集上，YOLOE-26x在文本提示模式下达到了40.6 AP，比之前DetCLIP-T最好的结果还高6.2个点。
部署才是重头戏
YOLO26的所有架构改动，说到底都是为了让部署更简单、更可靠。
Ultralytics的模型一直以导出格式多著称，YOLO26延续了这个优势。支持的导出格式包括：TensorRT、ONNX、CoreML、OpenVINO、NCNN、TFLite、ExecuTorch，总共22种。一个模型训练完，导出成ONNX可以跑在几乎任何平台上，导出成CoreML可以直接上iPhone和Mac，导出成TensorRT在NVIDIA GPU上跑满帧率。
端到端NMS-Free设计让导出更干净。之前很多边缘推理框架在处理NMS的时候需要额外的插件或自定义算子，现在不需要了。模型本身就是完整的，直接导出直接跑。
移除DFL的影响同样巨大。很多低端边缘芯片对复杂的分布回归算子支持不好，DFL的存在经常导致导出后精度骤降或者干脆不兼容。YOLO26把DFL拿掉之后，这些问题自然消失了。
实际落地的案例也出来了。RTM（一个制造业安全监控公司）用YOLO26把推理成本降低了28%。SOHGA的停车场巡逻系统用YOLO26把巡逻时间缩短了30%。Axelera AI在Metis AI芯片上用YOLO26实现了34FPS的边缘推理。
怎么上手
YOLO26的使用方式和YOLOv8/YOLO11完全一样，学习曲线为零。
python
pip install ultralytics
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
results = model("bus.jpg")五个Pre-training模型直接下载就能用。有GPU用大尺寸（l或x），只有CPU用nano或small，没有任何花哨的配置。
写在最后
从2016年YOLOv1出来到现在，YOLO系列已经迭代了十几代。每一代都在说自己是"最快最准的"，但真正能在架构上做出实质性改动的其实不多。
YOLO26值得关注的地方在于，它没有盲目堆新的backbone或者更大的模型，而是回头解决了几个困扰YOLO家族多年的基础问题：NMS依赖、DFL膨胀、训练效率、小目标遗漏。这些改动看起来不大，但叠加在一起，在精度-延迟帕累托前沿上稳稳地往前推了一步。
而且整个改动方向非常清晰------就是为了部署，为了边缘，为了让视觉AI真的能跑到各种真实硬件上去。在这个云端模型越来越大、越来越贵的时代，这种"往小里做、往实里走"的路线反而是最稀缺的。
Ultralytics已经公布了YOLO27的路线图，YOLO Vision 2026上会正式发布，方向是扩展到Vision------Language Model。但那是下一个故事了。当前，如果你需要在边缘设备上跑实时视觉任务，YOLO26应该是2026年最值得尝试的选择之一。