摘要： 2026 年 1 月 14 日，Ultralytics 正式推出 YOLO26，改由 Ultralytics Platform 與 Python 套件兩條管道對外發布。這一版把力氣花在削去部署流程的麻煩上，而不是把模型養得更大：從架構上就設計成不需要 NMS 的端到端推論、拿掉 DFL 後變得更精簡的偵測頭，以及 Nano 版在普通 CPU 上的 ONNX 推理最高提速 43%。
2026 年 1 月 14 日，Ultralytics 正式推出 YOLO26，改由 Ultralytics Platform 與 Python 套件兩條管道對外發布。這一版把力氣花在削去部署流程的麻煩上，而不是把模型養得更大：從架構上就設計成不需要 NMS 的端到端推論、拿掉 DFL 後變得更精簡的偵測頭，以及 Nano 版在普通 CPU 上的 ONNX 推理最高提速 43%。
同一個禮拜，各家大型實驗室正忙著發表更龐大的模型，YOLO26 卻選了相反的路——做出讓無人機、智慧攝影機與嵌入式裝置真正裝得下的即時視覺模型。官方新聞稿把這一版稱為「邊緣優先（edge-first）」的新基準；創辦人兼執行長 Glenn Jocher 則點出，真正的難關在於「讓使用者充分發揮 YOLO26 的同時，仍維持頂級效能」。
拿掉 NMS：端到端路線的取捨
在物件偵測流程裡，Non-Maximum Suppression（NMS）一向是必經的後處理步驟，也經常是匯出模型、準備上線時最先出錯的地方。YOLO26 在架構裡多放了一個一對一（one-to-one）偵測頭，只要把 NMS 關掉，就能直接輸出端到端預測，單張影像最多給出 300 個偵測框；傳統的一對多頭並未被移除，訓練過程中兩個頭會同步更新。文件裡同樣明寫了代價：改走端到端，分數大約比非端到端版本低 1 到 2.3 AP。這等於拿些微準確率去換部署上的省事，這筆帳值不值得，由實際負責部署的人自己判斷。
參數從 2.4M 到 55.7M：數據總覽
官方文件引用的論文給出這些數字：YOLO26 五種尺寸在 COCO 偵測上的 mAP 介於 40.9 到 57.5，T4 TensorRT 延遲落在 1.7 至 11.8 ms。最小的 yolo26n 僅有 2.4M 參數，最大的 yolo26x 則達 55.7M。與 YOLO11 相較，官方列出的進展包括：偵測最高增加 2.5 box AP、實例分割最高增加 3.7 mask AP、姿態估計 7.2 AP，旋轉框任務在 DOTA-v1.0 上增加 3.4 mAP。開放詞彙版本 YOLOE-26x 則以文字提示的方式，在 LVIS 上取得 40.6 AP。
一份寫給邊緣裝置的部署指南
任務範圍囊括偵測、實例與語義分割、深度估計、分類、姿態與旋轉框，每一項都提供訓練、驗證、推論與匯出。匯出目標涵蓋 TensorRT、ONNX、CoreML、LiteRT 與 OpenVINO，匯出過程還會把僅在訓練階段用到的輔助分支融合掉，讓最終模型再縮小一些。少了 DFL 之後，偵測頭結構更單純，匯出流程也更乾淨，打算把模型放進手機 App 或無人機的團隊直接受惠。要留意的一點是：P2（小物件）與 P6（大輸入）兩種變體目前只公開 YAML 架構，官方並未附上權重，想採用就得自己訓練。
訓練策略的三項調整
MuSGD 是把 Muon 與 SGD 兩種最佳化器調在一起的新配方，等於將 LLM 訓練圈的手法移植到視覺模型上。ProgLoss（Progressive Loss）讓監督訊號一步一步集中到推論時真正運作的那個頭。STAL（Small-Target-Aware Label Assignment）則拉高小目標取得正樣本標籤的比例，遇到遠距離或微小物體的場景時效果明顯。資深機器學習工程師 Jing Qiu 以「不趕進度」描述團隊步調，心力全部放在磨出速度與準確率之間的最佳平衡。
授權條款與生態現況
授權模式照舊走雙軌：一是 AGPL-3.0，二是向 Ultralytics 購買企業授權，內容包含正式支援、長期維護與可擴展的邊緣部署。產品若是閉源的商業軟體，就得先把這筆授權支出列入成本。總的來說，YOLO26 無意與旗艦級多模態模型互拚聲勢，它選擇把「2.4M 參數、跑得動 CPU、一行指令匯出到任何裝置」這條路走得更透徹。放進這波 2026 開局的模型競賽的脈絡來看，邊緣視覺這條低調演進的路線，同樣值得列入觀察名單。