這項由Ultralytics團隊主導開發的研究成果以技術報告形式發布于2026年6月，論文編號為arXiv:2606.03748，感興趣的讀者可通過該編號查詢完整論文。

當你拿著手機掃描超市貨架上的商品，當自動駕駛汽車實時識別路上的行人和障礙物，當安防攝像頭在人群中搜尋異常行為——這些場景背后都有一類技術在默默運作，那就是實時目標檢測。它需要在極短的時間內，從一張圖片里"看出"所有物體在哪里、是什么。而在這個領域，YOLO系列模型長期以來就像是一位身經百戰的"偵察兵"，速度快、部署簡單、適應性強，被全球無數工程師和研究者采用。

然而，這位"老偵察兵"也有一些積累已久的問題沒有解決。這正是Ultralytics團隊發布YOLO26的原因——他們對這套系統進行了一次全面的"升級改造"，不僅修補了舊有的缺陷，還在多個任務上都拿出了更漂亮的成績單。YOLO26在COCO這個業界標準測試集上，五種規模的模型檢測精度（mAP）從40.9分到57.5分不等，對應的推理延遲僅為1.7毫秒到11.8毫秒，整體性能曲線超越了之前所有版本以及同類實時檢測器。

一、老偵察兵遇到了哪些麻煩

要理解YOLO26解決了什么問題，不妨先把目標檢測器想象成一支訓練有素的偵察小隊。這支小隊的工作流程是：先在圖片上密密麻麻地撒下"候選哨位"，再從中篩選出真正發現目標的哨位，最后上報結果。整個過程聽起來很順暢，但在實際執行中，老版本的YOLO系列存在四個難以回避的痛點。

第一個痛點關乎"哨位匯報機制"。傳統檢測器在最后匯報結果時，需要經過一道叫做"非極大值抑制"（NMS）的后處理步驟。簡單說，就像多個哨位同時喊"我發現了同一個目標"，需要一個協調員來裁定誰說了算。這道步驟增加了部署的復雜度，也拖慢了整體速度。YOLOv10曾嘗試用"雙頭設計"來去掉這道步驟，但做法并不理想——它讓負責"訓練用"的密集頭和負責"實際推理用"的端到端頭承受完全相同的訓練壓力，結果真正在上崗時使用的那個頭，反而因為訓練不充分而表現欠佳。

第二個痛點關于"坐標報告單的格式"。從YOLOv8開始，YOLO系列引入了一種叫做"分布焦點損失"（DFL）的邊框回歸方式。這種方式把原本只需要4個數字描述一個框（左、上、右、下各擴展多少像素）的任務，變成了用4乘以16共64個數字來描述。好處是能更精確地建模不確定性，壞處是模型參數量和計算量都膨脹了，尤其對小模型非常不友好。以YOLO11n為例，光是這個模塊就占據了相當一部分參數和計算量。此外，DFL還有一個隱藏限制：它能描述的邊框距離有上限，在高分辨率圖像中，大物體的邊框可能超出這個范圍，導致框畫得不夠準。

第三個痛點是"訓練耗時太長"。標準的訓練配方需要大約600輪迭代才能讓模型達到競爭力水平，開發迭代成本高昂。

第四個痛點涉及"小目標被忽視"。YOLO系列使用一種叫做"任務對齊學習"（TAL）的標簽分配策略，這套策略要求候選錨點的中心必須落在目標框內部才算有效。但對于極小的目標，經過特征圖下采樣后，物體可能只占一兩個像素，沒有任何錨點中心能落進去，于是這個小目標在訓練中完全沒有得到監督，模型對它就像從未見過一樣。

這四個問題，YOLO26用一套協調配合的方案逐一解決。

二、"雙頭偵察兵"的架構革新

YOLO26最核心的架構改變，是在檢測頭部分引入了一套經過重新設計的雙頭機制，并徹底移除了DFL模塊。

關于雙頭設計，可以把它理解為同一批特征信息同時交給兩組偵察員處理。第一組叫"一對多頭"，他們的工作方式是廣撒網——每個真實目標對應10個候選哨位，負責給模型提供豐富的訓練信號，讓模型在學習階段能充分接觸到各種角度和尺度的目標。但這組偵察員只在訓練時活躍，部署上線時需要走后處理（NMS）篩選流程。

第二組叫"一對一頭"，他們是真正在部署時上崗的偵察員。每個真實目標最終只對應一個精確匹配的預測結果，不需要NMS這個協調員來裁定，輸出直接干凈利落——最多300個檢測框，直接可用。YOLO26對這套雙頭設計做出的關鍵改進，是引入了"漸進式損失"策略，讓兩組偵察員在訓練階段各司其職，而不是同等對待。訓練初期，"一對多頭"的權重較高（占總損失的80%），幫助模型快速建立對特征的認知；隨著訓練推進，權重逐漸向"一對一頭"傾斜，到訓練結束時，"一對一頭"占據90%的損失權重。這樣一來，真正上崗的那個頭得到了充分磨練，而不是在訓練末期還只是個"陪練"。

移除DFL是另一項大膽決定。研究團隊直接用最簡單的直接回歸代替了那64個數字的復雜表示，只用4個數字描述邊框的四個方向延伸距離，并額外加入L1損失（一種懲罰預測值與真實值之間絕對距離的訓練目標）來補償精度損失。實際效果出乎意料的好：在640像素分辨率下，去掉DFL后整體檢測精度（AP）不降反升0.3個點；在1280像素高分辨率下，提升更是高達1.3個點，其中大目標的AP提升了2.2個點。這正是因為去掉了那個"距離上限"的枷鎖。對應的代價是，YOLO26s相比YOLO11s減少了約0.3M參數和1.4 GFLOPs計算量，推理延遲也縮短了0.2毫秒。更實際的好處是，去掉DFL后模型的導出和跨平臺部署變得更簡單，因為不再依賴復雜的解碼邏輯。

YOLO26還在網絡結構上做了一處輕量級但有效的改進：在檢測頸部（負責匯總多尺度特征的模塊）插入了一個額外的注意力層，幫助模型更好地聚焦于重要的空間位置，在幾乎不增加延遲的前提下提升了整體精度。完整的網絡由標準卷積搭建，經過骨干網絡提取特征，再經過頸部進行多尺度融合，最終分別輸入到兩個檢測頭。這套設計對標準推理引擎友好，不依賴變形注意力等特殊算子。

三、讓訓練更聰明的三件套

如果說架構改動是給偵察兵換了更好的裝備，那么YOLO26在訓練方法上的三項改進，就是給他們提供了更科學的訓練計劃和更合理的任務分配。

第一件是MuSGD優化器。傳統YOLO系列使用標準的SGD（隨機梯度下降）來更新模型參數，這就像讓模型沿著一條崎嶇山路下山，一步一步地尋找最優解。Muon是一種最初為大語言模型訓練設計的優化器，它在每次更新之前，會對更新方向做一次"正交化"處理——可以理解為把每次邁步的方向整理得更垂直、更規整，避免在某些方向上反復踩踏，從而更高效地利用每一步訓練資源。MuSGD把Muon和傳統SGD融合在一起：對于卷積核、全連接權重等高維參數矩陣，使用Muon的正交化更新；對于偏置和歸一化層的縮放系數等一維參數，仍使用純SGD保持穩定。實驗結果顯示，使用MuSGD在500輪訓練就能達到傳統SGD需要600輪才能達到的精度，而且最終精度還高出0.4個mAP點。這個結論也在ImageNet分類任務上得到了驗證，說明MuSGD的優勢不局限于目標檢測場景。

第二件是漸進式損失（Progressive Loss），前文已經提到其基本思路。這里補充一個更具體的理解角度：一對多頭就像一個寬松的練習靶場，提供海量射擊機會幫助士兵快速建立基礎技能；一對一頭則是嚴苛的實戰考核，每次只允許精確命中一個目標。如果從第一天起就強迫士兵參加實戰考核，他因為基礎不牢固而頻繁失誤，反而影響學習效果。合理的做法是先在練習靶場打好基礎，再逐漸增加實戰比重。漸進式損失做的正是這件事。具體的權重變化遵循線性衰減規則：一對多的權重從0.8線性降到0.1，一對一的權重從0.2線性升到0.9，整個過程覆蓋全部訓練輪次，每輪更新一次。消融實驗表明，這個從(0.8, 0.2)到(0.1, 0.9)的配置優于其他所有測試的變體，包括把一對多權重初始化為1.0的方案——完全壓制一對一頭的早期學習同樣是有害的。

第三件是STAL（小目標感知標簽分配）。這個方案解決的是前文提到的"小目標被忽視"問題，思路非常精妙且克制。當一個真實目標框的寬度或高度小于最小特征圖步長（通常是8像素）時，STAL在候選篩選階段會臨時把這個框"膨脹"到16像素寬或高，確保至少有一些錨點中心能落進去，獲得正樣本。但關鍵在于，這個"膨脹"只在候選篩選時生效，一旦候選確定，后續的評分、分配和回歸目標全部仍使用原始的真實框尺寸。這意味著模型學到的始終是正確的目標位置，而不是被虛假膨脹后的版本。STAL不會給正常尺寸的目標增加任何干擾，只是專門為那些"沒有錨點能進門"的極小目標開了一扇窗。在COCO驗證集上，STAL讓小目標AP（APS）從29.0提升到29.6，整體AP提升0.2個點。參數sref設置為16（即第二級特征圖步長）是最優選擇，設置為8太弱（效果不明顯），設置為32又太強（開始干擾正常目標的分配）。

四、為每項任務量身定制的專屬優化

YOLO26不只是一個目標檢測器，它是一個支持五種任務的統一視覺框架：目標檢測、實例分割、姿態估計、圖像分類和旋轉框檢測。在基礎檢測改進之上，研究團隊為后三類專項任務分別設計了針對性的技術升級。

在實例分割方面，YOLO系列傳統上使用一種"原型+系數"的輕量化方案：先生成一組共享的"基礎模板"（原型），每個檢測到的實例再預測一組系數，用這些系數對基礎模板做加權疊加，得到該實例的掩碼。這套方法速度快，但原型的質量直接決定了掩碼的上限。YOLO26引入了"多尺度原型融合模塊"，把特征金字塔不同層級的特征（高分辨率但語義粗淺的底層特征，和低分辨率但語義豐富的高層特征）通過1×1卷積投影后上采樣到同一分辨率，再相加融合，讓生成原型的底層特征獲得了更豐富的語義信息。此外，訓練時還額外附加了一個語義分割監督分支，把實例標注合并為類別級別的語義掩碼來提供密集梯度信號，幫助模型在原型生成階段就建立更強的類別區分能力。這個輔助分支在推理時完全不存在，不帶來任何額外計算。綜合這兩項改進，YOLO26在COCO實例分割任務上相比YOLO11提升了2.4到3.7個mask AP點，同時box AP提升1.6到2.5個點。

在姿態估計方面，YOLO26引入了一種叫做"殘差對數似然估計"（RLE）的概率化關鍵點定位方法。傳統的YOLO姿態模型直接回歸關鍵點坐標，并用基于OKS（目標關鍵點相似度）的損失來訓練，這種方式沒有對不同關鍵點的定位難度做區分——無論是清晰可見的膝蓋還是完全遮擋的腳踝，模型都用相同的"置信度"來對待。RLE在此基礎上增加了一個"不確定性估計分支"，為每個關節點在x和y方向分別預測一個不確定性參數σ。當σ較大時，模型相當于說"這個關節點我不太確定，損失別懲罰我太重"，被遮擋或難以定位的關鍵點自然獲得了更寬松的容忍度。同時，一個名為RealNVP的正則化流網絡被用來學習殘差的分布，使得不確定性估計更加精確和有原則。在COCO關鍵點驗證集上，YOLO26端到端模式下相比YOLO11提升了2.1到7.2個AP點，提升幅度相當可觀。

在旋轉框檢測方面，YOLO26做出了兩項改進。過去YOLO系列的旋轉框遵循OpenCV定義，角度范圍是(0°, 90°]，但這個定義在目標接近0°或90°時存在邊界不穩定問題：輕微的方向變化可能導致寬高發生交換，造成角度預測的突然跳變。YOLO26改用了MMRotate框架的"長邊定義"，角度范圍改為[-45°, 135°)，同時約束寬度始終大于高度，從根本上消除了邊界歧義。另外，角度預測方式也從"用sigmoid函數把預測值壓縮到固定區間"改為直接輸出原始預測值，去掉了非線性壓縮帶來的邊界附近梯度飽和問題。針對正方形或近似正方形的目標（比如圓形跑道、建筑頂部），旋轉不同角度后外觀幾乎一樣，ProbIoU損失對角度變化不敏感，YOLO26額外引入了一個基于正弦函數的角度專項損失，公式設計上利用了"旋轉180°等效"這一性質，并通過長寬比權重ω來控制該損失對不同形狀目標的影響強度——細長目標的ω很小（主要由IoU損失約束），方形目標的ω較大（角度損失發揮更大作用）。在DOTA-v1.0這個航拍圖像檢測基準上，YOLO26相比YOLO11提升了2.5到3.4個mAP，而在更嚴格的AP75指標（IoU閾值0.75）上，提升更達到了4.6到6.0個點。

五、開放詞匯檢測的延伸：YOLOE-26

傳統的YOLO模型只能檢測訓練時見過的類別，就像只認識固定幾十種動物的偵察兵，遇到沒見過的物種就束手無策。YOLOE是Ultralytics之前開發的開放詞匯檢測框架，它打破了這個限制，支持三種工作模式：給它一段文字描述（比如"綠色的背包"）讓它去找，給它一張參考圖片讓它找相似的，或者什么都不給它直接報告它認為畫面里有什么。

YOLOE-26把YOLO26的增強底座嫁接到了這個框架上，同時帶來了四項升級。骨干網絡從原來的YOLO11換成了YOLO26，直接繼承了所有檢測性能的提升；文本編碼器從MobileCLIP升級到了MobileCLIP2，能更準確地把文字描述轉化為向量表示，與視覺特征的對齊更精準；此外，研究團隊觀察到訓練數據中有大量物體實際存在于圖像中卻沒有被標注，于是用一個已訓練好的YOLOE模型充當"數據教師"，掃描訓練集，把那些置信度高于0.5、與已有標注的IoU小于0.5的新框作為偽標簽補充進去，相當于給訓練數據做了一次細致的查漏補缺；最后，分割頭從原來與文本提示訓練階段聯合訓練的方式，改為先完成文本提示階段訓練后，再單獨微調分割頭，避免了不同任務目標之間的干擾。

消融實驗清晰展示了每項改進的貢獻：換用YOLO26骨干帶來了1.5個AP的提升，解耦分割訓練貢獻了0.7個AP，文本編碼器升級貢獻了0.3個AP，數據引擎貢獻了最大的單項提升1.3個AP。YOLOE-26x在LVIS minival文本提示模式下達到了40.6 AP，超越了DetCLIP-T（一個專為開放詞匯檢測設計的模型）6.2個AP點，而視覺提示模式下達到了38.5 AP。即便是參數量僅有3.9M的最小版本YOLOE-26n，在文本提示模式下也能達到24.7 AP，展示出這套設計在資源受限場景下的可用性。

六、五個規模、十九個部署目標、一套完整生態

YOLO26提供了五種規模的模型，分別以n（nano）、s（small）、m（medium）、l（large）、x（extra large）命名。nano版僅有2.4M參數和5.4 GFLOPs計算量，在NVIDIA T4 GPU上TensorRT推理延遲1.7毫秒，檢測精度40.9 mAP；extra large版有55.7M參數和193.9 GFLOPs，延遲11.8毫秒，精度達到57.5 mAP。這五個規模覆蓋了從邊緣嵌入式芯片到服務器GPU的全部常見部署場景。

在CPU部署上，YOLO26n相比YOLO11n在ONNX格式下快了43%，這對于大量沒有GPU的邊緣設備來說意義重大。這種速度提升主要來自去掉DFL后解碼邏輯的簡化，以及模型整體結構對標準卷積運算的高度依賴（不含變形注意力等特殊算子）。

Ultralytics支持將YOLO26導出到19種格式：除了PyTorch原生格式外，還包括TorchScript、ONNX、OpenVINO、TensorRT、CoreML、TensorFlow SavedModel、TensorFlow GraphDef、TensorFlow Lite、TensorFlow Edge TPU、TensorFlow.js、PaddlePaddle、MNN、NCNN、IMX、RKNN、ExecuTorch、Axelera AI、DEEPX和Qualcomm QNN。對于不支持端到端解碼中top-K操作的運行時，系統會自動回退到帶NMS的一對多頭路徑，確保跨平臺兼容性。這意味著開發者幾乎不需要因為目標平臺的差異去修改模型本身。

七、從消融實驗看設計邏輯

YOLO26的論文以YOLO11s為基準，逐步疊加每一項改進，完整記錄了每個步驟對精度、參數量、計算量和延遲的影響，讓設計邏輯一目了然。

去掉DFL后，精度從47.0下降了0.6個點，但參數減少0.3M，計算量減少1.4 GFLOPs，延遲縮短0.2毫秒。加入L1損失后精度回升0.2個點，STAL再加0.2個點，骨干頸部輕量級改造再加0.2個點——三步補回的精度已經超過了DFL帶來的貢獻，而結構更輕量。隨后開啟端到端訓練，E2E模式的精度是46.4，加入漸進式損失后提升到46.7，MuSGD再提到47.1，加上Objects365-v1預訓練到47.4，最后經過超參數搜索到達最終的47.8（NMS路徑48.6）。這條清晰的演進路徑說明，YOLO26的每一項技術改進都不是湊數的，彼此形成了有機的互補關系。

說到底，YOLO26干的事情可以用一句話概括：用更簡潔的結構、更聰明的訓練和更有針對性的任務設計，把YOLO家族的偵察兵從頭到腳重新錘煉了一遍。那個困擾已久的"報告單格式太復雜"的問題被徹底解決了，小目標被忽視的漏洞被補上了，訓練時間縮短了，推理時后處理步驟也可以省掉了，還順帶把分割、姿態、旋轉檢測和開放詞匯識別都一并升級了。從實驗數據來看，在中等、大型和超大型規模上，YOLO26在精度-延遲的綜合表現曲線上確實超越了同類所有實時檢測器，包括D-FINE、DEIM等新近發布的方法。這項研究已通過arXiv（編號2606.03748）公開，代碼和模型權重在Ultralytics的GitHub倉庫中可以直接獲取。如果你對實時視覺識別技術感興趣，不妨親自體驗一下這位升級版"偵察兵"的能力。

Q&A

Q1：YOLO26的端到端模式和普通模式有什么區別，實際使用時選哪個？

A：YOLO26內置了兩套檢測頭。端到端（E2E）模式使用一對一頭，輸出最多300個框，不需要后處理NMS，部署更簡單、速度更快，但精度略低0.6到0.8個mAP。普通NMS模式使用一對多頭，精度稍高，但需要額外的后處理步驟。對延遲敏感或部署環境受限（如部分不支持NMS的推理引擎）時選E2E，對精度要求極高且平臺支持NMS時選普通模式。

Q2：YOLO26去掉DFL之后為什么精度反而提高了？

A：DFL的核心限制是它用離散分布來表示邊框距離，存在一個固定上限（約為步長的15倍）。在640像素分辨率下這個限制不明顯，但在1280像素高分辨率下，大目標的邊框范圍可能超過這個上限，導致框畫不準。去掉DFL改用直接回歸后，這個限制消失，配合STAL和漸進式損失補償了定位質量，大目標AP在1280分辨率下提升了2.2個點。

Q3：YOLOE-26和普通YOLO26有什么關系，什么場景下需要用YOLOE-26？

A：YOLO26是只能識別訓練時見過類別的閉集檢測器。YOLOE-26在YOLO26基礎上增加了文本編碼器和視覺提示模塊，支持用自然語言描述或參考圖片來指定要檢測的目標類別，即使是訓練時從未出現過的類別也能定位。適合用于工業缺陷檢測（缺陷難以預先窮舉）、醫學圖像分析（病灶類型多樣）或需要快速適應新類別的場景，代價是模型更大、推理略慢。