2026 年 1 月，Ultralytics 正式发布了 YOLO26。
这是 YOLO 系列在“真实世界落地”方向上的一次重要跃迁，也是一次围绕边缘部署、训练稳定性和工程简化的系统性重构。

YOLO26 最早亮相于 YOLO Vision 2025（YV25）大会。在大会上，Ultralytics 创始人兼 CEO Glenn Jocher 明确提出了一个核心目标：

将 AI 从云端带到真实世界中，让每个人都能用得起、用得稳。

在这一理念指导下，YOLO26 不再一味追求模型复杂度或极限精度，而是从架构、训练策略和部署流程三个层面，全面优化真实生产环境中的使用体验。

一、YOLO26 是什么？为什么值得关注？

YOLO26 是一个从零开始、专为边缘和低功耗设备设计的 YOLO 模型系列。

它的核心定位可以概括为三点：

• 更简单：去掉历史包袱，删除不必要的复杂模块

• 更快：CPU 推理性能最高提升 43%

• 更好部署：原生端到端，无需 NMS，导出更友好

YOLO26 并不是对 YOLO11 的“打补丁式改进”，而是一次理念驱动的整体升级。
 

二、YOLO26 的核心设计原则

1️⃣ 简洁性：原生端到端，无 NMS

YOLO26 是一个真正的端到端模型，可以直接输出最终预测结果：

• 不需要非极大值抑制（NMS）

• 不依赖额外的后处理逻辑

• 推理路径更短、延迟更低

这一方向最早由清华大学王傲在 YOLOv10 中提出，而 YOLO26 则在工程层面将其打磨得更加成熟、可部署。

好处非常直接：

通过移除复杂模块、统一推理路径，YOLO26：

的混合体。

这一设计灵感来自 Moonshot AI 在 Kimi K2 训练中的实践经验，将大模型领域的优化思想引入了计算机视觉。

MuSGD 带来的变化：

对大规模训练、复杂数据集尤为友好。

YOLO26 完全移除了 DFL。

这一改变带来的好处包括：

---

3.2 端到端无 NMS 推理

传统目标检测流程中，NMS 是一个不可或缺但“麻烦”的步骤：

YOLO26 将“重复框过滤”这一过程内化到网络中：

这对 实时系统和工程部署 是一次非常实用的升级。

---

3.3 ProgLoss + STAL：小目标检测显著增强

YOLO26 在损失设计上引入了两项关键机制：

它们的核心作用是：

在以下场景中提升尤为明显：

---

3.4 MuSGD：把大模型训练经验带入 CV

MuSGD 并不是简单“换个优化器名字”，而是一次理念迁移：

这使得 YOLO26：

---

3.5 CPU 推理速度提升高达 43%

这是 YOLO26 最直观、也最具吸引力的数据之一。

在 Nano 版本上：

这意味着：

---

3.6 针对多任务的专项优化

YOLO26 并不只是检测模型，而是一个统一视觉模型家族。

🔹 实例分割

🔹 姿态估计

🔹 旋转框（OBB）检测

• 推理更快

• 系统更稳定

• 更容易在多平台、多硬件环境中落地

  2️⃣ 部署效率：为边缘设备而生

  YOLO26 的设计从一开始就考虑了现实问题：

• 摄像头端

• 机器人

• 显著降低了模型体量和内存占用

• 导出到 ONNX / TensorRT / TFLite / CoreML / OpenVINO 更稳定

• 在 无 GPU 场景下依然具备实时性能

  • 工业终端

  • 嵌入式 CPU / 边缘加速器

  • 3️⃣ 训练创新：MuSGD 优化器

    YOLO26 引入了一种全新的优化器 —— MuSGD。

    它是：

  • SGD（计算机视觉经典）

  • • Muon（源自大语言模型训练经验）

• 训练过程更稳定

• 收敛速度更快

• 不同模型尺寸下表现更可预测

  三、YOLO26 的关键创新详解

  3.1 移除分布焦点损失（DFL）

  分布式焦点损失（DFL）在过去多个 YOLO 版本中被广泛使用，用于提升边界框回归精度。

  但它也带来了明显问题：

• 增加模型复杂度

• 固定回归范围

• 导出和硬件适配困难

• 边界框预测流程显著简化

• 对超大目标更友好

• 更容易在低功耗硬件上稳定运行

• 增加延迟

• 增加系统复杂度

• 不同硬件 / 运行时行为不一致

• 推理阶段直接输出最终结果

• 不再依赖额外后处理

• ProgLoss（渐进式损失平衡）

• STAL（小目标感知标签分配）

• 稳定训练过程

• 减少震荡

• 强化小目标学习能力

• IoT

• 机器人视觉

• 航拍 / 遥感影像

• 远距离、小尺寸目标检测

• 保留 SGD 在视觉任务中的泛化优势

• 引入 Muon 思想，提升稳定性

• 在更大模型上也能稳定训练

• 减少对超参数的敏感性

• CPU 推理性能最高提升 43%

• 无 GPU 也能满足实时需求

• AI 不再“必须上 GPU”

• 视觉系统可以真正跑在设备端

• 引入语义分割损失

• 多尺度原型模块

• 掩码质量更高、更稳定

• 集成 RLE（Residual Log-Likelihood Estimation）

• 更精确的关键点定位

• 解码流程更快

• 新增角度损失

• 缓解边界角度不连续问题

• 特别适合航拍、遥感和方向敏感目标

  • 更适合工程化批量训练

    四、YOLO26 支持的任务与模型

    YOLO26 延续了 Ultralytics 一贯的统一模型设计：

    模型	任务	训练	验证	推理	导出
    YOLO26	目标检测	✅	✅	✅	✅
    YOLO26-seg	实例分割	✅	✅	✅	✅
    YOLO26-pose	姿态估计	✅	✅	✅	✅
    YOLO26-obb	旋转框检测	✅	✅	✅	✅
    YOLO26-cls	图像分类	✅	✅	✅	✅

    所有模型均提供 n / s / m / l / x 五种尺寸，覆盖从极端轻量到高精度场景。

    五、为什么 YOLO26 特别适合边缘部署？

    总结来看，YOLO26 在边缘场景中具备以下优势：

  • 🚀 CPU 性能提升显著

  • 📦 模型更小，内存占用更低

  • 🔧 无 DFL、无 NMS，导出更简单

  • 🔄 支持多种部署格式

  • 🧠 训练稳定，工程可控

    六、结语：YOLO26 不只是更快，而是更“能用”

    YOLO26 的价值，并不只体现在跑分或参数量上。

    它代表的是 YOLO 系列一次明确的转向：

    从“研究驱动”走向“真实世界驱动”。

    对于研究者，它提供了更稳定的训练与更干净的架构；
    对于工程团队，它意味着更低的部署成本与更高的系统可靠性。

    如果你关注 边缘 AI、实时视觉系统或工程落地，YOLO26 值得认真研究。