YOLO26 来了：终于干掉了 NMS

Ultralytics 在本周发布了 YOLO26，这是 YOLO 系列发展九年来最重要的一次架构革新。核心变化只有一句话：原生无 NMS 的端到端推理。

这意味着什么？从此以后，YOLO 的推理链路里不再需要那个让所有人头疼的后处理步骤了。

为什么 NMS 该死

非极大值抑制（Non-Maximum Suppression）一直是目标检测流水线里的「脏活」。模型输出一堆重叠的候选框，NMS 负责筛掉冗余的，只保留置信度最高的那个。

听起来简单，实际部署时问题一堆：

• 延迟不可控：目标越多，NMS 耗时越长。一张图 10 个目标和 100 个目标，推理时间可能差好几倍
• 部署割裂：模型本体可以跑 TensorRT、ONNX、OpenVINO，但 NMS 往往得单独用 CPU 实现，整个流水线被打断
• 边缘设备噩梦：在算力有限的嵌入式平台上，NMS 经常成为瓶颈

过去几年，学术界一直在尝试干掉 NMS。DETR 用 Transformer 做集合预测，但推理速度太慢；RT-DETR 快了一些，但和 YOLO 的延迟还有差距。

YOLO26 的做法不一样——它没有换架构，而是在 YOLO 框架内解决问题。

双检测头：一个训练，一个推理

YOLO26 的核心设计是双检测头架构。

训练时用一个「辅助头」，这个头结构复杂、输出稠密，能让模型学到更丰富的特征表示。推理时切换到「主头」，结构更轻、输出直接就是最终结果，不需要 NMS 后处理。

这种设计的巧妙之处在于：用训练时的复杂性换推理时的简洁性。辅助头在训练完成后直接丢弃，不影响部署体积和速度。

从技术细节看，YOLO26 还完全移除了 DFL（Distribution Focal Loss）模块。DFL 是 YOLOv8 引入的用于边界框回归的组件，虽然提升了精度，但增加了计算开销和回归范围限制。YOLO26 用新的回归方式替代，既减少了参数量，又消除了回归范围的约束。

MuSGD：从 LLM 训练借来的优化器

架构变了，训练方法也跟着变。

YOLO26 使用了一种叫 MuSGD 的新优化器，全称是「混合 Muon-SGD」。这个优化器的灵感来自大语言模型训练——Muon 是近期在 LLM 训练中表现出色的优化算法，YOLO26 把它和传统的 SGD 混合使用。

为什么要借鉴 LLM 的训练技术？因为现代视觉模型越来越大，训练稳定性和收敛速度变得越来越重要。MuSGD 在大规模训练时表现更稳定，尤其是对 YOLO26-x 这样的大模型。

具体实现上，Ultralytics 没有公布太多细节，但从论文描述看，MuSGD 在训练早期使用 Muon 加速收敛，后期切换到 SGD 保证稳定性。这种分阶段策略在 LLM 训练中很常见，现在被移植到视觉模型训练里。

五个规模，全线刷新基准

和之前的 YOLO 版本一样，YOLO26 提供 n/s/m/l/x 五个规模的模型，从超轻量到高精度全覆盖。

根据 Ultralytics 公布的数据，YOLO26 在所有五个规模上都刷新了准确率-延迟权衡的帕累托前沿。换句话说，在同等推理速度下，YOLO26 的 mAP 更高；在同等 mAP 下，YOLO26 推理更快。

| 模型 | 参数量 | COCO mAP | 推理延迟 | 适用场景 | |------|--------|----------|----------|----------| | YOLO26-n | 最小 | 基准 | <1ms | 边缘设备、实时性极高场景 | | YOLO26-s | 小 | +2-3% | ~1ms | 移动端、嵌入式设备 | | YOLO26-m | 中 | +5-6% | ~2ms | 通用场景、平衡选择 | | YOLO26-l | 大 | +7-8% | ~3ms | 高精度需求 | | YOLO26-x | 最大 | 最高 | ~5ms | 精度优先、算力充足场景 |

注：具体数值以官方论文为准，上表为相对提升幅度的示意

值得注意的是，这些延迟数据是端到端的——包含了从图像输入到最终检测结果输出的全部耗时，不再需要额外加上 NMS 的时间。这才是无 NMS 设计的真正价值：延迟可预测、可承诺。

部署体验：统一导出，到处运行

对开发者来说，YOLO26 的另一个重要改进是部署体验的统一。

由于不再依赖 NMS 后处理，YOLO26 可以被完整地导出为单个推理图。不管是 ONNX、TensorRT、OpenVINO 还是 CoreML，导出的模型就是完整的检测器，不需要再在推理代码里手写 NMS 逻辑。

这对边缘部署意义重大。以前用 YOLO 做嵌入式开发，经常遇到的问题是：模型本体跑 NPU，NMS 跑 CPU，两边数据来回拷贝，延迟被拉高。现在整个流水线可以完全跑在加速器上，数据不出芯片。

Ultralytics 的官方文档已经更新了 YOLO26 的导出指南：

from ultralytics import YOLO

# 加载 YOLO26 模型
model = YOLO("yolo26m.pt")

# 导出为 ONNX（端到端，无需额外 NMS）
model.export(format="onnx")

# 导出为 TensorRT（自动优化）
model.export(format="engine")

# 导出为 OpenVINO（Intel 硬件优化）
model.export(format="openvino")

导出后的模型输入输出是标准化的：输入是预处理后的图像张量，输出直接是 [x, y, w, h, class_id, confidence] 格式的检测结果。没有中间步骤，没有后处理依赖。

训练 API：几乎零改动

如果你之前用过 YOLOv8 或 YOLO11，迁移到 YOLO26 基本不需要改代码。

from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolo26m.pt")

# 在自定义数据集上训练
model.train(
    data="path/to/dataset.yaml",
    epochs=100,
    imgsz=640,
    batch=16
)

# 验证
metrics = model.val()

# 推理
results = model.predict("image.jpg")

训练配置、数据格式、回调函数这些都保持兼容。Ultralytics 的设计哲学一直是「API 稳定，实现迭代」，YOLO26 延续了这个传统。

新增的配置项主要和双检测头相关。如果你想调整辅助头的权重或者蒸馏参数，可以通过新的配置字段控制。但对大多数用户来说，默认配置就够用了。

内置蒸馏：大模型压缩小模型

除了主模型，Ultralytics 还为 YOLO26 引入了内置蒸馏功能。

知识蒸馏的概念很简单：用大模型（教师）指导小模型（学生）训练，让小模型在保持速度的同时获得更高的精度。以前做蒸馏需要自己写训练脚本，现在 YOLO26 把它集成进了标准训练流程。

from ultralytics import YOLO

# 加载教师模型（大）
teacher = YOLO("yolo26x.pt")

# 加载学生模型（小）
student = YOLO("yolo26n.pt")

# 蒸馏训练
student.train(
    data="dataset.yaml",
    epochs=100,
    teacher=teacher,  # 指定教师模型
    distill=True
)

这个功能对边缘部署场景很实用。你可以先用 YOLO26-x 在服务器上获得最高精度，然后通过蒸馏把知识迁移到 YOLO26-n，在边缘设备上部署轻量模型但保持接近大模型的效果。

和 RT-DETR 的对比

说 YOLO26 之前，不得不提 RT-DETR。这是目前另一个主流的端到端实时检测器，也是无 NMS 设计。

RT-DETR 基于 DETR 架构改进，用 Transformer 做检测头。它的优点是检测效果好，尤其是在大目标和遮挡场景下；缺点是对小目标不够友好，而且 Transformer 的计算模式对某些硬件不太友好。

YOLO26 走了不同的路线。它保留了 YOLO 的卷积骨干和 FPN 结构，只在检测头上做端到端改造。这样做的好处是：

1. 对小目标友好：FPN 的多尺度特征图天然适合检测小目标
2. 硬件兼容性好：纯卷积运算，任何支持 CNN 的加速器都能跑
3. 迁移成本低：从 YOLOv8/YOLO11 升级几乎不需要改代码

当然，RT-DETR 在某些场景下仍有优势。如果你的任务以大目标为主、对小目标检测要求不高，RT-DETR 可能更合适。但对大多数通用检测任务，YOLO26 的综合表现应该更好。

路线图：3D 感知和 VLM 集成

Ultralytics 在官网路线图里透露了 YOLO 的下一步计划。

YOLO-3D 是他们正在开发的 3D 感知版本，预计在 YOLO Vision 2026 大会上发布。这个版本会把检测能力扩展到三维空间，对自动驾驶和机器人应用很有价值。

另一个方向是 YOLO-VLM，把 YOLO 作为视觉前端接入大语言模型。思路是用 YOLO 做快速的场景理解和目标定位，然后把结构化信息传给 LLM 做高层推理。这样的组合可以兼顾 YOLO 的速度和 LLM 的理解能力。

还有一个有意思的功能是 LLM 驱动的训练分析。简单说就是让 LLM 自动诊断训练过程中的问题，并给出配置优化建议。比如检测到 loss 震荡，自动建议调低学习率；发现小目标 AP 低，建议增加数据增强强度。这种「AI 调参师」的思路挺新颖的。

该不该升级？

如果你正在用 YOLOv8 或 YOLO11，要不要升级到 YOLO26？

推荐升级的场景：

• 边缘部署，对延迟稳定性要求高
• 需要导出完整的端到端模型，不想在推理代码里维护 NMS 逻辑
• 追求最新的精度-速度权衡
• 计划使用蒸馏功能压缩模型

可以观望的场景：

• 现有方案已经稳定运行，没有明显痛点
• 依赖的第三方工具链还没适配 YOLO26
• 对新版本的稳定性有顾虑（等几个小版本迭代）

Ultralytics 官方的建议是：对于新项目，直接用 YOLO26；对于稳定的生产工作负载，YOLO26 和 YOLO11 都是推荐选择。

安装和快速开始

# 安装最新版 ultralytics
pip install -U ultralytics

# 下载预训练模型并测试
yolo detect predict model=yolo26m.pt source=image.jpg

或者用 Python API：

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26m.pt")

# 推理
results = model("image.jpg")

# 显示结果
results[0].show()

模型会自动下载。首次运行可能需要几分钟，取决于网络情况。

写在最后

YOLO 系列从 2016 年的 v1 到现在的 26，已经迭代了九年。每一代的核心追求都没变：更快、更准、更好部署。

YOLO26 的无 NMS 设计，解决的是一个困扰社区多年的工程问题。它可能不像架构革新那样让人兴奋，但对于每天要和部署打交道的开发者来说，这才是真正有价值的改进。

论文已经发布在 arXiv，代码集成在 ultralytics 库里，有兴趣的可以去试试。

---

参考来源

• Ultralytics YOLO26：专为边缘计算设计的下一代实时视觉模型 - 知乎 - 详细的技术解析和边缘部署分析