YOLO26 简介

博客 什么是 YOLO26？简介 特约撰稿人 2026 年 1 月 14 日发布 • 阅读 5 分钟 摘要 YOLO26 是一个端到端对象检测和多任务模型系列，支持从纳米到超大的五种尺寸变体的检测、实例分割、姿态估计、定向对象检测和图像分类。它于 2026 年 1 月发布，删除了非极大值抑制以降低延迟，并删除了分布焦点损失模块以更好地与边缘和低功耗硬件兼容。这篇文章介绍了架构、COCO 基准测试结果、下载链接以及与 RF-DETR、LW-DETR 和 D-FINE 等模型的比较。 YOLO 模型是一系列实时计算机视觉模型，旨在处理各种任务，包括对象检测、分割、姿态估计、分类和定向对象检测。这些模型利用流行的架构，提供卓越的速度和准确性，非常适合跨边缘设备、云 API 等的应用程序。在本博客中，我们将研究 2026 年 1 月发布的 YOLO26，揭示其关键改进、重要功能以及它与其他领先计算机视觉模型的比较。 💡 Roboflow 支持 YOLO26 进行标记、训练和部署，了解更多。什么是 YOLO26？ YOLO26 是一个多任务模型系列，旨在处理广泛的计算机视觉任务，包括对象检测、实例分割、图像分类、姿态估计和定向对象检测。该系列具有多种尺寸变体，纳米 (N)、小 (S)、中 (M)、大 (L) 和特大 (X)，以满足不同的性能和部署需求。与前几代YOLO相比，YOLO26针对边缘部署进行了优化，具有更快的CPU推理、更紧凑的模型设计以及简化的架构，以提高跨不同硬件环境的兼容性。显着的改进包括通过删除 NMS 来减少延迟，并且结果在 fp16 和 fp32 中保持一致，从而可以以优化的低延迟方式运行模型，并获得与训练期间看到的相同的高精度。 ⚡ RF-DETR 神经架构搜索（NAS）比 YOLO26 更快、更准确。请阅读此处的博文。在图像上尝试 YOLO26 了解 YOLO26 如何在 COCO 数据集中包含的常见对象的图像上执行。下面测试模型如何处理您的数据。下载 YOLO26 下表提供了下载用于目标检测的 YOLO26 的链接，并概述了 Ultralytics 报告的 YOLO26 模型系列的性能基准，比较了从纳米到超大型的各种关键指标，如准确性 (mAP)、延迟和计算成本。模型大小（像素） mAP val 50-95 速度 CPU ONNX (ms) 速度 T4 TensorRT10 (ms) 参数 (M) FLOPs (B) YOLO26n 640 40.9 38.9 ± 0.7 1.7 ± 0.0 2.4 5.4 YOLO26s 640 48.6 87.2 ± 0.9 2.5 ± 0.0 9.5 20.7 YOLO26m 640 53.1 220.0 ± 1.4 4.7 ± 0.1 20.4 68.2 YOLO26l 640 55.0 286.2 ± 2.0 6.2 ± 0.2 24.8 86.4 YOLO26x 640 57.5 525.8 ± 4.0 11.8 ± 0.2 55.7 193.9 此比较突出了推理速度和检测精度之间的权衡，使您能够根据特定硬件限制选择最佳模型大小。对于其他模型任务类型，请访问 YOLO26 Github 。 YOLO26 架构 YOLO26 引入了几项重大改进，包括： 更广泛的设备支持：它删除了分布焦损失 (DFL) 模块，简化了推理，支持多种导出格式（TFLite、CoreML、OpenVINO、TensorRT 和 ONNX），并扩大了对边缘和低功耗设备的支持。增强的小物体识别：它利用 ProgLoss 和 STAL 损失函数，提高检测精度，特别是小物体的检测精度，并为物联网、机器人和航空图像应用提供显着优势。端到端预测：它消除了非极大值抑制 (NMS) 作为后处理步骤，直接生成预测以减少延迟，并使现实系统中的部署更快、更轻、更可靠。更快的 CPU 推理：模型设计和训练的优化使 YOLO26 在 CPU 上比 YOLO11 更快。例如，YOLO26-N 变体的 CPU 推理速度比 YOLO11-N 快 43%，这使得 YOLO26 非常适合在没有 GPU 的设备上实现实时性能。改进的训练：它引入了 MuSGD 优化器，这是受 Kimi K2 LLM 突破启发的 SGD 和 Muon 的混合体，通过将优化进步从大型语言模型转移到计算机视觉，确保稳定的训练和更快的收敛。 YOLO26 替代方案 除了 YOLO26 之外，其他几种多任务计算机视觉模型也被积极使用，并在目标检测排行榜上进行了基准测试。 RF-DETR RF-DETR 由 Roboflow 开发并于 2025 年 3 月发布，是一系列支持分割、对象检测和分类任务的实时检测模型。 RF-DETR 在各个基准测试中均优于 YOLO26，展示了卓越的性能