YOLO26一个更好、更快、更小的视觉 AI 模型-Article-IT72.COM

YOLO26一个更好、更快、更小的视觉 AI 模型

Home / Article MrLee 4天前 73

北京时间 2026 年 1 月 14 日，YOLO26 终于正式揭开了面纱。

这一次，我们不谈它在学术圈引发了多少讨论，也不去纠结那些在论文榜单上微乎其微的 mAP 涨幅。对于我们这些在一线“拧螺丝”的开发者来说，YOLO26 的意义在于它完成了一次彻底的工程化突围。

它的设计目标不再是单纯的“刷分”，而是直指落地的三大痛点：端到端、轻量化、易部署。官方文档明确抛弃了繁琐的 NMS 后处理，去掉了拖累部署的 DFL，换来的是在 CPU 上最高 43% 的性能暴涨。

系统拆解 YOLO26 如何通过“做减法”，为工程落地带来真金白银的效率红利。

一、改进目标：更简单、更快、更易部署

YOLO26 的总体目标非常务实，可以总结为三点：

推理链路简化：用端到端检测替代传统的 NMS 作为后处理阶段，彻底消除额外的推理开销与复杂的部署适配逻辑。

部署效率提升：坚决去掉 DFL 模块，避免导出时的复杂度和硬件适配瓶颈，减少边缘设备上的推理依赖。

训练优化与任务增强：引入 MuSGD 和分割、姿态、OBB的多任务专用优化，将大模型训练与任务特化技术移植到视觉端。

从目标层面看，YOLO26 并不是一个“更复杂的模型”，而是一个更可落地的工程化版本：减轻后处理、缩短部署链路、强化训练收敛与多任务能力，这些改进刀刀见血，直接面向生产场景痛点。

二、架构与推理流程的核心变化

1. 端到端 NMS-free 推理：从架构层面消除后处理

YOLO26 使用端到端结构输出最终预测，不再依赖 NMS。

在配置中，我们只需要设置 end2end: True 即可打开端到端模式；同时，检测头会为 one-to-one 分支保留独立路径，从而在推理时直接输出结果。【ultralytics/cfg/models/26/yolo26.yaml†L7-L9】【ultralytics/nn/modules/head.py†L80-L178】

推理后处理的代码逻辑也体现了这一剧变：NMS 函数现在加入了一个判断——在输入预测为 end-to-end 时，会直接返回结果，不再执行复杂的 NMS 过滤逻辑。【ultralytics/utils/nms.py†L12-L85】

工程影响：

推理路径更短，部署管线不再需要额外编写后处理代码；

对边缘环境更友好，减少了因后处理计算带来的不确定性和延迟抖动。

2. DFL Removal：回归更轻的输出分布

YOLO26 在配置中把 reg_max 设置为 1，从而取消了 DFL 多 bin 的离散回归输出。这意味着 head 中的 DFL 层会退化为简单的恒等映射。【ultralytics/cfg/models/26/yolo26.yaml†L7-L9】【ultralytics/nn/modules/head.py†L80-L110】

这一改动去掉了 DFL，极大简化了模型结构、降低导出复杂度，并增强了边缘硬件的兼容性。

工程影响：

导出流程更稳定、图结构更简单；

对资源敏感设备显著减少了计算与内存开销。

三、训练与优化策略的关键升级

1. MuSGD：从 LLM 训练迁移来的优化器融合

YOLO26 引入了 MuSGD 作为新的训练优化器，这是来自 Muon 与 SGD 的混合实现。优化器定义在 ultralytics/optim/muon.py，并在训练器中作为自动选择分支的一部分出现，可以与 SGD 并列使用。【ultralytics/optim/muon.py†L99-L176】【ultralytics/engine/trainer.py†L947-L996】

通过引入大语言模型训练的优化经验，MuSGD 实现了更稳定、更快的收敛表现。

工程影响：

训练阶段更稳，特别适合边缘模型训练时对效率与收敛的双重要求；

有望降低调参成本，改善训练效率与最终精度。

2. ProgLoss + STAL：小目标检测的专用增益

YOLO26 使用 ProgLoss + STAL 来提升小目标识别能力，这是 Edge AI 场景（如无人机、IoT）中最关键的精度痛点之一。

工程影响：

小物体、密集场景精度表现更稳定；

特化损失函数带来的增益在生产场景中更容易被感知。

下面是环境安装、编译、运行教程

设置conda的添加清华源对于 main 和 free 通道，创建虚拟环境更快

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
#设置搜索时显示通道地址
conda config --set show_channel_urls yes

#临时使用清华源
conda install <package_name> -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main

#如果需要恢复默认源
conda config --remove-key channels
#设置后首次使用可能需要清除缓存
conda clean -i

官方最简洁安装，一行命令安装CPU版本

https://docs.ultralytics.com/zh/#what-is-ultralytics-yolo-and-how-does-it-improve-object-detection

pip install -U ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

需要设置独显，可以参考以下操作

##设置代理
conda config --set proxy_servers.http http://127.0.0.1:10808
conda config --set proxy_servers.https http://127.0.0.1:10808
##取消代理
conda config --remove-key proxy_servers.http
conda config --remove-key proxy_servers.https

conda create -n yolo26 python=3.10
conda activate yolo26
##下载安装对应的cuda开发包

https://developer.nvidia.com/cuda-toolkit-archive
nvidia-smi
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 581.57                 Driver Version: 581.57         CUDA Version: 13.0     |
+-----------------------------------------+------------------------+----------------------+
| GPU  Name                  Driver-Model | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  NVIDIA GeForce GTX 1050 ...  WDDM  |   00000000:01:00.0  On |                  N/A |
| N/A   47C    P8            N/A  / 5001W |     940MiB /   4096MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+
https://pytorch.org/ 查询对应安装的版本
#安装环境
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu130

#查看版本
python -c "import torch; print(torch.__version__)"

PyTorch Version: 2.10.0+cu130
CUDA Available: True
GPU Device: NVIDIA GeForce GTX 1050 Ti with Max-Q Design


#cpu版本
pip3 install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

#输出结果：torch.__version__输出值2.10.0+cpu

#安装结果
Installing collected packages: mpmath, typing-extensions, sympy, pillow, numpy, networkx, MarkupSafe, fsspec, filelock, jinja2, torch, torchvision
Successfully installed MarkupSafe-2.1.5 filelock-3.20.0 fsspec-2025.12.0 jinja2-3.1.6 mpmath-1.3.0 networkx-3.6.1 numpy-2.3.5 pillow-12.0.0 sympy-1.14.0 torch-2.10.0+cu130 torchvision-0.25.0+cu130 typing-extensions-4.15.0

#测试
python
import torch
print(torch.cuda.is_available())
True
exit()

#安装库,源码根目录 --no-dep 参数，但通常不建议这样做，除非你确定环境已经完全配好,不添加，会被修改为cpu版本
pip install ultralytics .

###如果想切换版本，使用以下命令行清理安装
pip uninstall torch torchvision torchaudio -y

本文链接:https://it72.com/12804.htm

解决方案：安装兼容 Pascal 架构的稳定版

对于 1050 Ti 这种 Pascal 架构的显卡，使用 CUDA 11.8 或 12.1 是最安全的选择，因为这些版本被广泛编译并包含 sm_61 的支持。

第一步：卸载当前的错误版本

先清理掉不兼容的 PyTorch 及其相关组件：

pip uninstall torch torchvision torchaudio

第二步：安装兼容版本（推荐 CUDA 12.1）

目前 Ultralytics (YOLO26) 在 CUDA 12.1 下运行非常稳定，且 1050 Ti 的驱动完全可以向下兼容。

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
#代理
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 --proxy http://127.0.0.1:10808

import torch
print(f"PyTorch 版本: {torch.__version__}")
print(f"CUDA 是否可用: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"当前设备: {torch.cuda.get_device_name(0)}")
    print(f"设备算力: {torch.cuda.get_device_capability(0)}")
    # 尝试创建一个简单的张量并移动到 GPU
    try:
        x = torch.ones(1).cuda()
        print("测试成功：张量已成功移动到 GPU!")
    except Exception as e:
        print(f"测试失败: {e}")

MrLee 2天前

引用 3楼
AMD，解决方案，未测试
Linux 原生 / WSL2 命令：
```
# 先卸载旧版本
pip uninstall torch torchvision torchaudio -y
# 安装 ROCm 适配版 PyTorch
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm6.2
```
Windows 直接运行 (DirectML 方案)：
如果你不想折腾 WSL2，可以使用专门的 DirectML 插件：
pip install torch-directml
注意：DirectML 方案在 YOLO 上的兼容性略逊于 ROCm，且代码需稍作修改。
3. 修改 YOLO 训练脚本
YOLO 默认会尝试调用 cuda。在使用 AMD ROCm 时，代码通常可以透明切换，因为 ROCm 模拟了 CUDA 接口。
标准 ROCm (Linux/WSL2) 运行方式：
只要 torch.cuda.is_available() 返回 True（ROCm 成功模拟了该接口），你直接像平时一样训练即可：
```
from ultralytics import YOLO
model = YOLO("yolov11n.pt")
# YOLO 会自动识别 ROCm 环境为 'cuda'
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
```
验证环境：
运行以下 Python 代码，如果输出包含 AMD 字样，说明成功：
```
import torch
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0)) # 应该显示类似 'AMD Radeon...'
```
性能优化建议
- 使用 Docker（推荐）：AMD 官方提供了预装好 ROCm 环境的 Docker 镜像，这是最省心的方式：docker pull rocm/pytorch:latest
- 半精度训练 (FP16)：AMD 显卡对 FP16 支持良好，确保在 model.train() 中保持 half=True（默认通常开启）。