DeepSeek-R1-Distill-Qwen-1.5B功能测评：轻量化模型表现如何
2026/1/15 7:10:04
概述
Ultralytics YOLO26是YOLO系列实时目标检测器的最新进化版本，从头开始为边缘和低功耗设备设计。它引入了流线型设计，去除了不必要的复杂性，同时集成了针对性的创新，以提供更快、更轻量、更易于部署的解决方案。
YOLO26的架构遵循三个核心原则：
- 简洁性：YOLO26是原生端到端模型，直接生成预测结果，无需非最大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且在实际系统中更容易部署。这种突破性方法最早由清华大学的王傲在YOLOv10中首创，并在YOLO26中得到进一步发展。
- 部署效率：端到端设计消除了整个处理流程中的一个阶段，大大简化了集成，降低了延迟，并使跨不同环境的部署更加稳健。
- 训练创新：YOLO26引入了MuSGD优化器，这是SGD和Muon的混合体——受到Moonshot AI的Kimi K2在大语言模型训练中突破的启发。该优化器将来自语言模型的优化进展带入计算机视觉领域，带来增强的稳定性和更快的收敛速度。
- 任务特定优化：YOLO26为专门任务引入了针对性改进，包括用于分割的语义分割损失和多尺度proto模块，用于高精度姿态估计的残差对数似然估计（RLE），以及优化的解码和角度损失以解决OBB中的边界问题。
这些创新共同提供了一个模型系列，可在小物体上实现更高的准确度，提供无缝部署，并在CPU上运行速度提升高达43%——使YOLO26成为迄今为止最适合资源受限环境部署的最实用、最易部署的YOLO模型之一。
关键特性
DFL移除
分布焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制硬件兼容性。YOLO26完全移除了DFL，简化了推理并扩大了对边缘和低功耗设备的支持。端到端无NMS推理
与依赖NMS作为单独后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测直接生成，降低了延迟，使集成到生产系统中更快、更轻量、更可靠。ProgLoss + STAL
改进的损失函数提高了检测准确度，在小物体识别方面有显著改进，这对物联网、机器人、航空图像和其他边缘应用至关重要。MuSGD优化器
一种新的混合优化器，结合了SGD和Muon。受Moonshot AI的Kimi K2启发，MuSGD将大语言模型训练中的高级优化方法引入计算机视觉，实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%
专为边缘计算优化，YOLO26提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。实例分割增强
引入语义分割损失以改进模型收敛，并升级了proto模块，利用多尺度信息提供更优质的掩码。精确姿态估计
集成残差对数似然估计（RLE）以实现更准确的关键点定位，并优化了解码过程以提高推理速度。优化的OBB解码
引入专门的角度损失以提高对方形物体的检测准确度，并优化OBB解码以解决边界不连续问题。
支持的任务和模式
YOLO26建立在早期Ultralytics YOLO版本建立的多功能模型范围之上，提供对各种计算机视觉任务的增强支持：
| 模型 | 文件名 | 任务 | 推理 | 验证 | 训练 | 导出 |
|---|---|---|---|---|---|---|
| YOLO26 | yolo26n.ptyolo26s.ptyolo26m.ptyolo26l.ptyolo26x.pt | 检测 | ✅ | ✅ | ✅ | ✅ |
| YOLO26-seg | yolo26n-seg.ptyolo26s-seg.ptyolo26m-seg.ptyolo26l-seg.ptyolo26x-seg.pt | 实例分割 | ✅ | ✅ | ✅ | ✅ |
| YOLO26-pose | yolo26n-pose.ptyolo26s-pose.ptyolo26m-pose.ptyolo26l-pose.ptyolo26x-pose.pt | 姿态/关键点 | ✅ | ✅ | ✅ | ✅ |
| YOLO26-obb | yolo26n-obb.ptyolo26s-obb.ptyolo26m-obb.ptyolo26l-obb.ptyolo26x-obb.pt | 定向检测 | ✅ | ✅ | ✅ | ✅ |
| YOLO26-cls | yolo26n-cls.ptyolo26s-cls.ptyolo26m-cls.ptyolo26l-cls.ptyolo26x-cls.pt | 分类 | ✅ | ✅ | ✅ | ✅ |
这个统一框架确保YOLO26适用于实时检测、分割、分类、姿态估计和定向目标检测——全部支持训练、验证、推理和导出。
性能指标
使用示例
本节提供了简单的YOLO26训练和推理示例。有关这些和其他模式的完整文档，请参阅预测、训练、验证和导出文档页面。
请注意，以下示例适用于YOLO26 检测模型，用于目标检测。有关其他支持任务的详细信息，请参阅分割、分类、OBB和姿态文档。
from ultralytics import YOLO # Load a COCO-pretrained YOLO26n model model=YOLO("yolo26n.pt")# Train the model on the COCO8 example datasetfor100epochs results=model.train(data="coco8.yaml",epochs=100,imgsz=640)# Run inference with the YOLO26n model on the'bus.jpg'image results=model("path/to/bus.jpg")YOLOE-26：开放词汇实例分割
YOLOE-26将高性能的YOLO26架构与YOLOE系列的开放词汇能力集成在一起。它使用文本提示、视觉提示或无提示模式进行零样本推理，实现对任何物体类别的实时检测和分割，有效消除了固定类别训练的限制。
通过利用YOLO26的无NMS、端到端设计，YOLOE-26提供快速的开放世界推理。这使其成为动态环境中边缘应用的强大解决方案，其中感兴趣的对象代表广泛且不断发展的词汇。
文本/视觉提示
| Model | size (pixels) | Prompt Type | mAPminival 50-95(e2e) | mAPminival 50-95 | mAPr | mAPc | mAPf | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|---|---|---|
| YOLOE-26n-seg | 640 | Text/Visual | 23.7 / 20.9 | 24.7 / 21.9 | 20.5 / 17.6 | 24.1 / 22.3 | 26.1 / 22.4 | 4.8 | 6.0 |
| YOLOE-26s-seg | 640 | Text/Visual | 29.9 / 27.1 | 30.8 / 28.6 | 23.9 / 25.1 | 29.6 / 27.8 | 33.0 / 29.9 | 13.1 | 21.7 |
| YOLOE-26m-seg | 640 | Text/Visual | 35.4 / 31.3 | 35.4 / 33.9 | 31.1 / 33.4 | 34.7 / 34.0 | 36.9 / 33.8 | 27.9 | 70.1 |
| YOLOE-26l-seg | 640 | Text/Visual | 36.8 / 33.7 | 37.8 / 36.3 | 35.1 / 37.6 | 37.6 / 36.2 | 38.5 / 36.1 | 32.3 | 88.3 |
| YOLOE-26x-seg | 640 | Text/Visual | 39.5 / 36.2 | 40.6 / 38.5 | 37.4 / 35.3 | 40.9 / 38.8 | 41.0 / 38.8 | 69.9 | 196.7 |
没有提示
| Model | size (pixels) | mAPminival 50-95(e2e) | mAPminival 50(e2e) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|
| YOLOE-26n-seg-pf | 640 | 16.6 | 22.7 | 6.5 | 15.8 |
| YOLOE-26s-seg-pf | 640 | 21.4 | 28.6 | 16.2 | 35.5 |
| YOLOE-26m-seg-pf | 640 | 25.7 | 33.6 | 36.2 | 122.1 |
| YOLOE-26l-seg-pf | 640 | 27.2 | 35.4 | 40.6 | 140.4 |
| YOLOE-26x-seg-pf | 640 | 29.9 | 38.7 | 86.3 | 314.4 |
使用示例
YOLOE-26支持文本提示和视觉提示。使用提示非常简单——只需通过predict方法传递它们，如下所示：
!!! 示例
“文本提示”
文本提示允许您通过文本描述指定要检测的类别。以下代码展示了如何使用YOLOE-26在图像中检测人和公交车：
from ultralytics import YOLO # Initialize model model=YOLO("yoloe-26l-seg.pt")# or select yoloe-26s/m-seg.ptfordifferent sizes # Set text prompt to detect person and bus.You only need todothis once after you load the model.names=["person","bus"]model.set_classes(names,model.get_text_pe(names))# Run detection on the given image results=model.predict("path/to/image.jpg")# Show results results[0].show()“视觉提示”
import numpy as np from ultralytics import YOLO from ultralytics.models.yolo.yoloe import YOLOEVPSegPredictor # Initialize model model=YOLO("yoloe-26l-seg.pt")# Define visual prompts using bounding boxes and their corresponding classIDs.# Each box highlights an example of the object you want the model to detect.visual_prompts=dict(bboxes=np.array([[221.52,405.8,344.98,857.54],# Box enclosing person[120,425,160,445],# Box enclosing glasses],),cls=np.array([0,# ID to be assignedforperson1,# ID to be assignedforglassses]),)# Run inference on an image,using the provided visual prompts as guidance results=model.predict("ultralytics/assets/bus.jpg",visual_prompts=visual_prompts,predictor=YOLOEVPSegPredictor,)# Show results results[0].show()“无提示”
YOLOE-26包括具有内置词汇表的无提示变体。这些模型不需要任何提示，像传统YOLO模型一样工作。它们不依赖用户提供的标签或视觉示例，而是从预定义的4,585个类别列表中检测对象，该列表基于识别任何事物模型Plus (RAM++)使用的标签集。
from ultralytics import YOLO # Initialize model model=YOLO("yoloe-26l-seg-pf.pt")# Run prediction.No prompts required.results=model.predict("path/to/image.jpg")# Show results results[0].show()要深入了解提示技术、从头开始训练和完整使用示例，请访问**YOLOE文档**。
引用和致谢
!!! 提示 “Ultralytics YOLO26出版物”
Ultralytics尚未为YOLO26发表正式研究论文，因为模型正在快速演进。相反，我们专注于提供尖端模型并使它们易于使用。有关YOLO特性、架构和使用的最新更新，请访问我们的[GitHub仓库](https://github.com/ultralytics/ultralytics)和[文档](https://docs.ultralytics.com/)。如果您在工作中使用YOLO26或其他Ultralytics软件，请引用如下：
!!! 引用 “”
=== "BibTeX" ```bibtex @software{yolo26_ultralytics, author = {Glenn Jocher and Jing Qiu}, title = {Ultralytics YOLO26}, version = {26.0.0}, year = {2026}, url = {https://github.com/ultralytics/ultralytics}, orcid = {0000-0001-5950-6979, 0000-0003-3783-7069}, license = {AGPL-3.0} } ```DOI待定。YOLO26在AGPL-3.0和企业许可证下提供。