2026 年 1 月 14 日，Ultralytics 正式發布 YOLO26，透過 Ultralytics Platform 與 Python 套件對外供應。這次改版的重點不是堆參數，而是拆掉部署面的摩擦：原生 NMS-free 的端到端推論、移除 DFL 的更輕偵測頭，以及 Nano 版在標準 CPU 上最高快 43% 的 ONNX 推理。
在大型實驗室競相發表更大模型的同一週，YOLO26 走反向路線：給無人機、智慧攝影機與嵌入式裝置一個更容易落地的即時視覺模型。官方新聞稿形容它是「邊緣優先（edge-first）」的新標準，創辦人兼執行長 Glenn Jocher 強調，最大挑戰是「讓使用者充分發揮 YOLO26 的同時，仍維持頂級效能」。
砍掉 NMS：一次端到端的賭注
Non-Maximum Suppression（NMS）是物件偵測的標準後處理，也是模型匯出與部署時最容易出狀況的一段。YOLO26 加入一對一（one-to-one）偵測頭，可以關閉 NMS 直接跑端到端預測，每張影像最多輸出 300 個偵測框；原本的一對多頭仍然保留，兩個頭在訓練時都會更新。代價寫在文件裡：端到端頭的分數比非端到端版本低約 1 到 2.3 AP。這是一筆把工程便利換一點準確率的明確交易，負責部署的人可以自己決定要不要接受。
數字攤開：從 2.4M 到 55.7M 參數
官方文件引述的論文數據：YOLO26 在 COCO 偵測跨五個尺寸拿到 40.9 至 57.5 mAP，T4 TensorRT 延遲 1.7 至 11.8 ms；最小的 yolo26n 只有 2.4M 參數，最大的 yolo26x 為 55.7M。與 YOLO11 相比，偵測最多提升 2.5 box AP，實例分割最多 3.7 mask AP，姿態估計 7.2 AP，旋轉框在 DOTA-v1.0 上 3.4 mAP。開放詞彙版本的 YOLOE-26x 用文字提示在 LVIS 上拿到 40.6 AP。
為邊緣裝置而生的部署清單
任務面涵蓋偵測、實例與語義分割、深度估計、分類、姿態與旋轉框，全部支援訓練、驗證、推論與匯出。匯出格式包括 TensorRT、ONNX、CoreML、LiteRT 與 OpenVINO，匯出時會融合掉僅訓練用的輔助分支，進一步縮小模型體積。DFL 的移除讓偵測頭更簡單、匯出流程更乾淨，對要把模型塞進手機 App 或無人機的團隊是直接收益。要注意的是 P2（小物件）與 P6（大輸入）變體目前只釋出 YAML 架構，沒有官方權重，需要的人得自己訓。
訓練配方的三個改動
MuSGD 是混合 Muon 與 SGD 的最佳化器，把 LLM 訓練圈的技巧搬進視覺模型；ProgLoss（Progressive Loss）把監督訊號逐步移到推論時實際使用的那個頭；STAL（Small-Target-Aware Label Assignment）改善小目標的正樣本標籤覆蓋率，對遠距或小物體場景有實際幫助。資深機器學習工程師 Jing Qiu 的說法是「不趕進度」，只專注把速度與準確率的平衡磨好。
授權與生態現實
YOLO26 維持雙授權：AGPL-3.0，或購買 Ultralytics 企業授權（含正式支援、長期維護與可擴展的邊緣部署）。閉源商業產品得把這筆授權費先算進成本。整體來看，YOLO26 不跟旗艦多模態模型比氣勢，而是把「2.4M 參數、跑得動 CPU、一行指令匯出到任何裝置」做到更徹底。在這波 2026 開局的模型競賽裡，邊緣視覺這條安靜的進化線，同樣值得放進雷達。
參考來源
- Ultralytics Redefines State-of-the-Art Vision AI with YOLO26 — Ultralytics
- Ultralytics YOLO26 Documentation — Ultralytics
- Why Ultralytics YOLO26 Removes NMS and How That Changes Deployment — Ultralytics Blog
本文由 AI 協助自上述來源整理，經人工審核後發布。