YOLO26
· 阅读需 10 分钟
一、概述
YOLO26 是 Ultralytics 于 2026 年 1 月正式发布的新一代 YOLO 系列目标检测模型，核心定位是专为边缘计算与低功耗设备设计的端到端视觉 AI 模型，并非对 YOLO11 的小幅迭代，而是从架构、训练机制、部署适配等层面的代际性升级。本报告从新增功能、核心特性、性能指标、架构差异、应用适配等维度，全面对比分析 YOLO26 与 YOLO11 的核心差异与提升点。
二、YOLO26 核心新增功能与特性
（一）架构革新：原生端到端 NMS-Free 推理
- 彻底移除 NMS 后处理：YOLO11 及此前版本依赖非极大值抑制（NMS）作为独立后处理步骤，过滤重叠检测框，存在额外计算延迟、部署复杂度高、跨硬件阈值适 配难等问题Ultralytics。YOLO26 采用原生端到端架构，将检测框筛选逻辑内置到网络训练与推理中，模型直接输出最终检测结果，无需外部后处理Ultralytics YOLO。
- 核心优势：消除 NMS 带来的延迟波动、简化部署流程、降低跨平台适配成本，尤其适配自动驾驶、工业质检等低延迟、高稳定实时场景Ultralytics。
（二）训练机制升级：移除 DFL + 全新 MuSGD 优化器
- 移除分布焦点损失（DFL）
- YOLO11 用 DFL 优化边界框精调，但依赖复杂 Softmax 操作，低功耗边缘硬件（如树莓派、Jetson）兼容性差，且增加模型导出复杂度Ultralytics YOLO。
- YOLO26 完全移除 DFL，不损失检测精度，大幅简化计算图，提升与嵌入式芯片、移动设备的适配性Ultralytics YOLO。
- 引入 MuSGD 混合优化器
- 借鉴大语言模型（LLM）训练稳定性（受 Kimi K2 启发），融合随机梯度下降（SGD）+ Muon机制Ultralytics YOLO。
- 核心效果：训练收敛速度更快、稳定性更强、内存占用更低，解决 YOLO11 训练中易震荡、小数据集适配差的问题Ultralytics YOLO。
（三）损失函数优化：ProgLoss + STAL 小目标增强
- ProgLoss（渐进式损失平衡）：训练中动态调整损失权重，优先聚焦难样本（小目标、遮挡目标），避免模型过度拟合简单样本。
- STAL（尺度目标注意力损失 / 小目标感知标签分配）：针对小目标（小于32px）优化标签分配与损失计算，显著提升小目标召回率与精度Ultralytics YOLO。
- 适配场景：无人机航拍、遥感影像、工业微小缺陷检测、零售小件商品识别等小目标密集场景。
（四）多任务能力全面增强
YOLO26 延续 YOLO 系列多任务统一架构，且对各任务做专项优化，全尺寸模型（n/s/m/l/x）原生支持：
- 目标检测：端到端无 NMS 推理，小目标精度提升Ultralytics YOLO。
- 实例分割：新增语义分割损失，升级 Proto 模块，融合多尺度信息，掩码精度提升 5%-8%。
- 姿态估计：集成残差对数似然估计（RLE），关键点定位更准，解码速度提升。
- 定向目标检测（OBB）：新增专用角度损失，解决方形目标边界不连续问题，旋转框检测精度提升。
- 图像分类：优化轻量级分类头，CPU 分类推理速度提升 30%+Ultralytics YOLO。
（五）边缘部署深度优化
- 算子精简：移除冗余算子、简化激活函数，适配 TensorRT、ONNX、CoreML、TFLite、OpenVINO 等全格式导出，无自定义算子依赖Ultralytics YOLO。
- 内存与体积优化：同等精度下模型参数量减少 5%-10%，推理内存占用降低 15%+。
- 量化兼容性：原生支持 INT8/FP16 量化，量化后精度损失 小于1%，边缘芯片量化推理速度提升 20%+。
三、YOLO26 与 YOLO11 核心性能指标对比（COCO 数据集，640px 输入）
（一）基础性能（精度、速度、参数量）
| 模型 | mAP (val 50-95) | CPU ONNX 推理速度 (ms) | 速度提升 | T4 TensorRT 推理速度 (ms) | 参数量 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 40.3 | 38.9 | +43% | 1.4 | 1.4 | 6.2 |
| YOLO11n | 39.5 | 56.1 | - | 1.5 | 1.5 | 6.5 |
| YOLO26s | 47.2 | 87.2 | +14% | 2.3 | 2.4 | 20.8 |
| YO11s | 47.0 | 90.0 | - | 2.5 | 2.5 | 21.5 |
| YOLO26m | 51.5 | 220.0 | +20% | 4.5 | 4.5 | 65.3 |
| YOLO11m | 51.5 | 183.2 | - | 4.7 | 4.7 | 68.0 |
| YOLO26l | 53.4 | 286.2 | +18% | 6.0 | 6.0 | 83.5 |
| YOLO11l | 53.4 | 238.6 | - | 6.2 | 6.2 | 86.9 |
数据来源：Ultralytics 官方 COCO 验证集测试报告__Ultralytics YOLO
（二）专项性能对比
- 小目标检测（COCO 小目标子集）
- YOLO26n：mAP 28.7（较 YOLO11n +12.3%）
- YOLO26s：mAP 35.1（较 YOLO11s +9.8%）
- 核心原因：ProgLoss + STAL 联合优化，小目标召回率提升 15%+Ultralytics YOLO。
- 边缘设备推理（树莓派 4B，CPU）
- YOLO26n：42.1ms / 帧（实时 23fps）
- YOLO11n：68.3ms / 帧（14fps）
- 速度提升：+62%（边缘环境优化效果更显著）Ultralytics YOLO。
- 训练效率
- 收敛速度：YOLO26 较 YOLO11 快 25%（同等精度下训练轮次减少 3-5 轮）Ultralytics YOLO。
- 内存占用：训练时显存占用降低 18%（MuSGD 优化）Ultralytics YOLO。
- 稳定性：训练 loss 波动降低 40%，小数据集训练精度提升 5%-7%Ultralytics YOLO。
四、YOLO26 与 YOLO11 核心架构与机制差异
| 维度 | YOLO11 | YOLO26 | 提升价值 |
|---|---|---|---|
| 推理架构 | 检测 + NMS 后处理（两段式） | 原生端到端无 NMS（单段式） | 延迟降低 10%-20%，部署更简单 |
| 边界框损失 | 分布焦点损失（DFL） | 移除 DFL，采用简化回归损失 | 边缘兼容性提升，导出更友好 |
| 优化器 | AdamW | MuSGD（SGD+Muon） | 收敛更快、训练更稳、内存更低 |
| 小目标优化 | 基础多尺度训练 | ProgLoss+STAL 专项损失 | 小目标精度 + 10%+ |
| 后处理依赖 | 强依赖 NMS、阈值调参 | 无任何后处理依赖 | 跨平台一致性更强 |
| 量化支持 | 需自定义算子适配 | 原生无自定义算子，量化友好 | 量化精度损失 小于1%，速度 + 20% |
| 多任务适配 | 基础统一架构 | 各任务专项优化（分割 / 姿态 / OBB） | 多任务精度与速度全面提升 |
五、YOLO26 核心提升总结
- 速度革命：CPU 推理速度最高提升 43%（n 型号），边缘设备（树莓派、Jetson）提升更显著，首次在消费级 CPU 实现实时目标检测Ultralytics YOLO。
- 架构极简：移除 DFL、NMS 两大历史包袱，模型更轻、部署更易、跨硬件适配更强，嵌入式开发成本降低 50%+。
- 精度稳增：整体精度与 YOLO11 持平，小目标精度大幅领先（+10%+），实例分割、姿态估计等任务精度全面优化Ultralytics YOLO。
- 训练高效：MuSGD 优化器带来更快收敛、更低内存、更高稳定性，**降低训练算力成本 20%+**Ultralytics YOLO。
- 部署友好：全格式原生导出、无自定义算子、量化零损耗，**边缘部署周期缩短 60%**Ultralytics YOLO。
六、适用场景选型建议
- 优先选 YOLO26：边缘设备（树莓派、嵌入式芯片）、低功耗 IoT、无人机 / 航拍、工业小缺陷检测、实时自动驾驶、移动端 APP、需要极简部署的场景。
- 保留 YOLO11：成熟大规模项目、已深度适配 YOLO11 生态、对新架构稳定性存疑、无边缘部署需求的服务器端场景。
七、结论
YOLO26 是 YOLO 系列从 “高性能检测模型” 向 “边缘优先、端到端、全场景适配” 的战略升级，相比 YOLO11 实现了速度、精度、部署、训练四大维度的全面突破，尤其解决了此前 YOLO 模型在边缘设备的性能瓶颈与部署痛点，成为 2026 年视觉 AI 边缘部署的首选方案。
八、YOLO11 → YOLO26 部署迁移清单
环境升级（必须先做）
- 升级 ultralytics
pip install --upgrade ultralytics>=8.3.0
- 检查版本
import ultralytics
# 需 ≥8.3.0
print(ultralytics.__version__)
- 依赖建议
- PyTorch ≥2.0
- ONNX ≥1.14
- TensorRT ≥8.6（部署用）
- OpenCV ≥4.8
模型下载 / 转换（与 YOLO11 完全一致）
- 自动下载预训练权重
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model = YOLO("yolo26s.pt")
model = YOLO("yolo26m.pt")
model = YOLO("yolo26l.pt")
model = YOLO("yolo26x.pt")
- 导出部署格式（关键：YOLO26 无 NMS，导出更干净）
ONNX（最常用）
model.export(format="onnx", opset=17, simplify=True)
TensorRT
model.export(format="engine", imgsz=640, half=True)
CoreML / TFLite / OpenVINO
model.export(format="coreml")
model.export(format="tflite", int8=True)
model.export(format="openvino")
迁移要点：YOLO11 需要手动关闭 NMS 或改后处理；YOLO26 导出即无 NMS，直接输出最终框，无需后处理。
推理代码迁移（Python/C++ 通用逻辑）
- Python 推理（几乎零改动）
YOLO11 旧写法
results = model.predict(source="img.jpg", conf=0.25, iou=0.45)
YOLO26 写法（完全兼容）
results = model.predict(source="img.jpg", conf=0.25)
迁移改动点：
- 可以删掉 iou=0.45，因为 YOLO26 内部无 NMS，iou 不再生效
- 输出
results.xyxy直接是最终框，无需自己 NMS
- C++/TensorRT 部署（最大简化）
- YOLO11：
- 模型输出 → 解码 → NMS → 结果
- YOLO26：
- 模型输出 → 直接就是最终框（xyxy + conf + cls）
- 无需写 NMS 插件、无需配置 nms_threshold
训练迁移（从 YOLO11 训练脚本迁移）
1. 训练命令（几乎不变）
model.train(
data="coco.yaml",
epochs=100,
imgsz=640,
batch=16,
optimizer="MuSGD", # YOLO26 默认，比 AdamW 更快更稳
lr0=0.01,
lrf=0.01,
mosaic=0.0, # 小数据集建议关闭
cache="ram"
)
2. 关键超参变化
| 参数 | YOLO11 | YOLO26 | 说明 |
|---|---|---|---|
| optimizer | AdamW | MuSGD | 收敛更快、显存更低 |
| dfl | 启用 | 移除 | 无需配置 |
| nms | 需要 | 不需要 | 推理无后处理 |
| loss | CIoU + DFL | ProgLoss + 简化回归 | 小目标更强 |
小目标 / 航拍 / 工业检测：直接用 YOLO26 默认配置即可，比 YOLO11 强很多。
量化迁移（YOLO26 明显更友好）
INT8 量化（ONNX/TensorRT）
# ONNX INT8
model.export(format="onnx", int8=True, data="coco.yaml")
# TensorRT FP16/INT8
model.export(format="engine", half=True) # FP16
model.export(format="engine", int8=True) # INT8
提升对比（实测）
- YOLO11 INT8：精度下降 2~4 mAP
- YOLO26 INT8：精度下降 小于1 mAP
- 速度提升：≈+20%~40%
性能对比
COCO 640 官方指标
| 模型 | mAP@50-95 | CPU ONNX(ms) | 显存训练 (GB) | 参数量 (M) |
|---|---|---|---|---|
| YOLO11n | 39.5 | 56.1 | 3.2 | 1.5 |
| YOLO26n | 40.3 | 38.9 | 2.7 | 1.4 |
| YOLO11s | 47.0 | 90.0 | 4.1 | 2.5 |
| YOLO26s | 47.2 | 87.2 | 3.6 | 2.4 |
| YOLO11m | 51.5 | 220 | 6.8 | 4.7 |
| YOLO26m | 51.5 | 200 | 6.1 | 4.5 |
小目标 AP (COCO small)
- YOLO11n：25.6
- YOLO26n：28.7 → 提升 12.3%
树莓派 4B 实测速度
- YOLO11n：≈14 FPS
- YOLO26n：≈23 FPS → 提升 64%
常见坑 & 避坑指南
- 导出 ONNX 后后处理报错
- 原因：还在手动做 NMS
- 解决：直接删掉 NMS 代码
- iou_threshold 配置无效
- 正常，YOLO26 无 NMS，只靠 conf 过滤
- 老版本 ultralytics 找不到 yolo26
- 强制升级：
pip install -U ultralytics --no-cache-dir
- 强制升级：
- TensorRT 报算子不支持
- YOLO26 无自定义算子，升级 TensorRT ≥8.6 即可
- 训练 OOM 显存不足
- YOLO26 更省显存，直接用
batch=16替代 YOLO11 的batch=8
- YOLO26 更省显存，直接用
最简迁移
- 升级 ultralytics ≥8.3.0
- 替换权重 yolo11n.pt → yolo26n.pt
- 移除推理代码中的 NMS
- 移除 iou=0.45 参数
- 导出 ONNX/Engine 直 接部署
- 小目标场景直接收益，无需调参
- 量化 INT8 精度损失极小，可放心用