一、研究来源

YOLO26 是 2025 年 9 月 Ultralytics 发布的 YOLO 系列最新模型，2026年1月14号发布代码，专为边缘设备和低功耗场景设计，解决了前代模型（如 YOLOv8-YOLOv13）依赖 NMS、DFL 导致的部署复杂、 latency 高等问题，同时满足实时目标检测的效率与精度需求，适配机器人、制造、物联网等多行业应用。

论文：YOLOv-26：https://arxiv.org/pdf/2509.25164

代码：ultralytics/docs/en/models/yolo26.md at main · ultralytics/ultralytics

官方介绍:  Ultralytics YOLO26 - Ultralytics YOLO

这里与先有模型比较

对比维度	YOLO26 (2025)	YOLOv11 (2024)	YOLOv13 (2025)
核心架构创新	移除 DFL、端到端无 NMS 推理；ProgLoss+STAL；MuSGD 优化器	C3k2 瓶颈 + SPPF+ C2PSA 模块；支持姿态 / 定向检测	HyperACE 模块 + FullPAD 方案；超图增强特征交互
推理效率	CPU 推理提速 43%，无后处理瓶颈，冷启动更快	依赖 NMS 后处理，存在 latency 开销	依赖 NMS 后处理，架构复杂度较高
部署兼容性	原生支持 ONNX/TensorRT/CoreML 等多格式；INT8/FP16 量化无明显精度损失	需适配导出，量化稳定性一般	导出需处理 DFL 和 NMS，低功耗设备适配差
小目标检测	STAL 标签分配 + 多尺度特征，精度显著提升	依赖 C2PSA 注意力模块，效果有限	多尺度融合优化，但无专门小目标机制
支持任务	目标检测、实例分割、姿态估计、定向检测、分类（5 类）	目标检测、实例分割、姿态估计、定向检测（4 类）	仅支持目标检测
训练稳定性	MuSGD 优化器 + ProgLoss，收敛快、无训练波动	传统 SGD/AdamW，需多轮超参调优	传统优化器，复杂架构易过拟合

二、网络结构理解

YOLO26 与 YOLO11 的结构差异主要体现在端到端推理设计、模块参数优化两方面，其骨干网络的 SPPF 模块新增核数与增强模式参数，检测头的 C3k2 模块则全面启用 True 模式，且最后一层新增通道缩放和增强参数，目的是提升特征交互效率，匹配小目标检测的 STAL 标签分配策略。

2.1 SPPF模块

YOLO26 相比 YOLO11 给 SPPF 新增了 shortcut=True 参数，启用残差连接；以及控制maxpool的次数。残差连接让 SPPF 模块在融合多尺度特征的同时保留原始输入信息，提升了特征传递效率，适配 YOLO26 端到端推理和小目标检测的设计目标。

2.2 C3K2模块

两个版本 C3k2 类的实现差异，核心区别集中在初始化参数、内部模块构建逻辑两方面

对比维度	第一个 C3k2 版本	第二个 C3k2 版本	差异影响
初始化参数	新增 attn: bool = False 参数	无 attn 参数	支持注意力机制（PSABlock）的开关控制
内部模块逻辑	三层条件分支（attn → c3k → Bottleneck）	两层条件分支（c3k → Bottleneck）	第一个版本可集成注意力模块，功能更丰富
模块组合	attn=True 时：Bottleneck + PSABlock 组合	无注意力模块组合	第一个版本能增强特征交互（适配小目标检测）

三、创新点

YOLO26 的核心创新点围绕 “简化架构提效、精准优化提精度、适配部署降门槛” 三大核心目标，共 4 个关键突破，每个创新都针对性解决了前代 YOLO 模型的痛点，下面结合技术细节、解决的问题和实际效果展开说明：

3.1 创新点 1：移除 DFL（Distribution Focal Loss ）—— 轻量化回归，破除部署障碍

1. 相对前面模型

DFL介绍

DFL 的全称是 Distribution Focal Loss，即 分布焦点损失。它是由旷视科技在 2020 年的论文《Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection》中提出的。yolov8中引入；

DFL 将目标值（如边界框的 x 坐标）建模为一个在某个数值范围内的离散分布。

步骤分解：
定义范围：假设我们要预测的目标值 y（例如某个框的左侧 x 坐标）的真实值在 0 到 15 像素之间。我们将其离散化，用 16 个整数来表示这个范围，即 [0, 1, 2, ..., 15]。这 16 个点我们称之为“锚点”。

模型输出：模型不再只输出 1 个标量值，而是输出 16 个值（每个锚点一个），这 16 个值经过 Softmax 后形成一个概率分布 P = [P0, P1, ..., P15]，表示 y 等于每个锚点值的概率。

从分布到预测值：最终的预测值 y_hat 不是简单地取概率最大的那个锚点，而是这个分布的期望值（加权平均）：
y_hat = Σ(i * Pi)，其中 i 是锚点，Pi 是其对应的概率。
例如，如果模型输出的概率集中在 5 和 6 周围（即 P5 和 P6 的值很高），那么最终的预测值 y_hat 就会是 5.x，实现了亚像素级别的精确回归。

	狄克拉分布	狄克拉分布
特点	单点概率为1，其他概率为0	从连续坐标到离散分布
输出过程	输出多个值，服从一般分布，任意分布	将连续坐标值建模为离散区间上的概率分布加权求和（积分）得到最终预测坐标

YOLOv8/v11/v13 等模型依赖 DFL 进行边界框回归：通过预测坐标的概率分布来优化定位精度，但会带来两个关键问题：

• 计算冗余：DFL 需要额外的分布参数计算，增加 15%-20% 的模型参数和推理耗时，尤其在 CPU / 边缘设备上表现明显；

• 部署麻烦：DFL 的分布计算逻辑难以适配低精度量化（如 INT8），导出 ONNX、TensorRT 等格式时需额外适配，易出现精度丢失或兼容性报错。

1. 技术实现

YOLO26 彻底移除 DFL 模块，重新设计边界框回归头：

• 直接回归：回归头不再预测分布参数，而是直接输出边界框的 4 个坐标（x/y/w/h），将 “分布解码” 简化为 “直接回归”，计算逻辑更简洁；

• 精度补偿：通过后续 ProgLoss 的动态权重调节，弥补移除 DFL 后的定位精度损失，最终实现 “轻量化 + 精度不降”。

3.2 创新点 2：端到端无 NMS 推理 —— 消除后处理瓶颈，提速部署流程

End-to-End（端到端）检测 = 输入原始图片 → 模型前向传播 → 直接输出最终的检测框 / 类别 / 置信度，整个过程无需任何离线后处理（如 NMS、坐标裁剪、阈值筛选等），模型自身完成所有检测逻辑。

对比：传统 YOLO vs E2E YOLO

阶段	传统 YOLO	E2E YOLO
模型输出	全量预测框（含大量重叠框）	筛选后的最优检测框（无重叠）
关键后处理	必须用 NMS 过滤重叠框	无 NMS，模型直接输出最终框
部署链路	模型 + 离线后处理脚本	纯模型（输入→输出）
部署效率	后处理增加延迟（尤其边缘设备）	延迟更低，适配端侧部署
训练目标	拟合全量锚框预测	拟合 “单框最优预测”（对齐推理）

3.3 创新点 3：ProgLoss+STAL—— 精准优化训练，攻克小目标痛点

这两个创新是 YOLO26 提升精度的核心，尤其针对工业场景高频的 “小目标检测” 和 “训练不稳定” 问题：

ProgLoss（Progressive Loss）—— 动态平衡损失，稳定训练收敛

• 双分支损失融合：「一对多」损失（粗匹配）保证模型覆盖更多候选框，「一对一」损失（精准匹配）提升模型定位精度，结合两者优势；

• 动态权重衰减：训练前期侧重「一对多」（让模型先学习大范围匹配），后期侧重「一对一」（让模型聚焦精准匹配），符合 “先粗后精” 的训练逻辑；

• 权重和恒定：始终保证 o2m + o2o = 1，避免总损失数值波动过大，保证训练稳定性。

1. 这个损失含时候是融合「一对多 / 一对一」双分支的端到端检测损失，核心用于 YOLO 类模型的训练；

2. 初始时「一对多损失」占 80% 权重，训练过程中线性衰减至 10%，「一对一损失」权重同步从 20% 升至 90%；

1. 初始与终值固定：无论总训练轮数多少，o2m 初始值都是 0.8，最终稳定在 0.1。

2. 衰减速率与总轮数负相关：总 epoch 越多，权重下降的斜率越小，衰减过程越平缓，避免训练后期权重突变。

3. 稳定阶段无波动：当训练 epoch 超过 epochs-1 后，o2m 不再变化，保证训练末期损失计算的稳定性。

STAL（Small-Target Aware Label Assignment）—— 小目标专属标签分配

yolo26和yolo11标签分配策略的对比

对比维度	yolo26（增强版 / E2E 适配）	yolo11
核心定位	适配端到端检测，支持动态锚框筛选（topk2）	基础 TAL 分配器，仅支持固定 topk 筛选
初始化参数	新增stride、topk2参数	仅保留topk/num_classes等核心参数
锚框筛选逻辑 锚框筛选逻辑	支持双层 topk 筛选（topk→topk2）	仅单层 topk 筛选

第一步：先理解核心问题 —— 小目标为什么容易漏选？

YOLO 的锚框是按特征层步长（stride） 生成的：

P3 层 stride=8：输入图片每 8 个像素对应 1 个锚框中心点；
P4 层 stride=16：每 16 个像素对应 1 个锚框；
P5 层 stride=32：每 32 个像素对应 1 个锚框。

对于小目标（比如宽 / 高 < 8 像素的目标），会出现两个致命问题：

• 锚框覆盖不到：小目标的 GT 框可能完全落在两个锚框中心点之间，导致没有锚框被判定为 “在 GT 内”；

• 筛选逻辑误判：代码中select_candidates_in_gts的核心是判断 “锚框中心点是否在 GT 框内”，如果 GT 框本身太小（<8 像素），计算时的数值误差（如eps=1e-9）会导致锚框被误判为 “不在 GT 内”，最终漏选。

举个例子：

小目标 GT 框宽 = 5 像素（<stride=8），锚框中心点坐标是 (10,10)，GT 框坐标是 (8,8,13,13)；

计算 “锚框中心点是否在 GT 内” 时，因数值精度问题，可能判定为 “不在”，导致这个小目标没有任何锚框匹配，训练时完全学不到。

第二步：stride调整的核心逻辑 ——“放大” 小目标的 GT 框

代码的思路是：对小目标的 GT 框做 “虚拟放大”，让它的宽 / 高至少等于次小的 stride（16），从而保证有足够的锚框能被判定为 “在 GT 内”，避免漏选。如下图所示，红点的格子就代表着网格一个大小是8x8，蓝色的框是大目标，它可以包含很多的预测框，黄色的框是小目标，由于他太小了，因此里面没有锚点，那就不存在锚框。这样这个小目标就丢失了，为了不丢失，我们就将其放大，这样就有框去预测这个小目标了。

创新点 4：MuSGD 优化器 —— 兼顾收敛速度与泛化能力

相对前面的模型

传统 YOLO 模型使用 SGD 或 AdamW 优化器，存在明显短板：

• SGD：泛化能力强，但收敛慢（需 300 + 轮），且需多轮调整学习率；

• AdamW：收敛快（200 轮左右），但易过拟合，且量化后精度损失大（尤其在边缘设备上）；

• 适配性差：无法匹配 YOLO26 的轻量化架构，易出现 “收敛快但泛化差” 或 “泛化好但收敛慢” 的矛盾。

技术实现

MuSGD 是融合 “SGD 稳定性” 和 “Muon 优化器快速收敛” 的混合优化器：

两阶段优化：

• 前期（前 50% epoch）：采用 Muon 优化器（基于动量的自适应学习率），快速收敛到最优解附近，解决 SGD 收敛慢的问题；

• 后期（后 50% epoch）：切换为 SGD 优化器，微调参数，避免 AdamW 的过拟合问题，提升泛化能力；

动量优化：针对 YOLO26 的轻量化架构，优化动量衰减策略（动量值从 0.9 逐步衰减到 0.85），减少内存占用，适配边缘设备训练。

实际效果

• 训练效率：训练轮数减少 30%，同等精度下训练时间缩短 25%-30%；

• 泛化能力：跨场景测试精度损失 < 2%，工业场景（如制造业缺陷检测）中过拟合率降低 40%；

• 量化适配：量化（INT8）后精度损失 < 1%，远优于 SGD（3%）和 AdamW（5%），适合低功耗设备部署。

3.3 传统 YOLO 为什么需要 E2E 改造？（核心痛点）

传统 YOLO 的推理流程是有 3 个致命问题，也是 E2E 要解决的核心：

• 部署不友好：NMS 是离线操作，无法融入模型推理图（如 ONNX/TensorRT 导出），边缘设备部署时需要额外开发后处理逻辑；

• 超参数敏感：NMS 的 IOU 阈值、置信度阈值需要手动调优，不同数据集 / 场景下泛化性差；

• 训练 - 推理不一致：训练时模型拟合 “全量锚框”，推理时用 NMS 筛选 “单框”，两者目标错位，导致最终检测效果打折扣。

四、总结：YOLO 实现 E2E 的核心思路

YOLO 的 E2E 改造不是 “重写模型”，而是通过训练策略 + 锚框分配 + 损失设计，让模型自身学会 “筛选最优框”：

YOLO26 的端到端改造并非重写模型，而是通过训练策略 + 锚框分配 + 损失设计，让模型自身学会“筛选最优框”：

• 移除 DFL + 无 NMS：解决“效率低、部署难”的工程痛点；

• ProgLoss + STAL：解决“小目标差、训练不稳”的精度痛点；

• MuSGD：为上述改进提供“快速收敛、泛化稳定”的训练保障。

对于需要在边缘设备、低功耗场景部署实时检测的工程项目，YOLO26 在推理链路简洁性与训练稳定性上提供了更优的基线选择。