YOLO26 目标检测原理
Ultralytics YOLO26 是一个统一的实时视觉模型系列。它引入了原生端到端推理、更轻量的检测头、更新的训练方案，以及针对检测、分割、姿态估计、分类和定向检测的特定任务头。
在五个检测尺度上，YOLO26 在 COCO 上达到了 40.9-57.5 mAP，且 T4 TensorRT 延迟仅为 1.7-11.8 毫秒。与 YOLO11n 相比，YOLO26n 在 Intel Xeon CPU @ 2.00 GHz 上的 CPU ONNX 推理速度提升了高达 43%。
image
YOLO26 模型系列围绕四个设计领域构建：
原生端到端推理： 默认的一对一检测头无需非极大值抑制（NMS）即可生成预测，简化了部署并减少了后处理工作。
更轻量的框回归： YOLO26 移除了分布焦点损失（DFL），在保持无约束回归范围的同时降低了检测头的复杂度。
训练配方更新： 训练流水线结合了 MuSGD、Progressive Loss 和 STAL，旨在改进优化，将监督重点转向推理时的头部，并保持对小目标的正面标签覆盖。
特定任务的头部和损失函数： YOLO26 增加了针对实例分割、语义分割变体、姿态估计和定向检测的专项设计，同时在不同任务间保持统一的模型流水线。
总而言之，这些更新优化了各模型尺度和部署目标在准确率与延迟之间的权衡。
yolo26 的创新点：
架构简化：移除分布焦点损失（DFL），简化边界框回归，提升导出兼容性。
端到端推理：采用无NMS设计，直接输出检测结果，降低延迟与部署复杂度。
训练增强：引入渐进损失平衡（ProgLoss）与小目标感知标签分配（STAL），提升小目标检测稳定性。
优化器创新：使用MuSGD优化器，结合SGD与Muon优势，加速模型收敛。
多任务支持：统一框架支持检测、实例分割、姿态估计、定向检测与分类。
边缘优化：支持FP16/INT8量化，在Jetson等设备上实现低延迟实时推理。
性能表现：在COCO等基准上达到高精度，CPU推理速度较前代提升最高43%
image
yolo26 的网络结构简化可以表示为：
image
yolo26 在保证yolo系列标准框架下做出了一些列创新优化。yolo系列的网格划分，三个预测分支，每个网格一个预测结果等这些基础逻辑都没有变化。
和之前版本的网络结构有所不同的是，yolo26中head存在两个，用于无NMS的实现。两者的功能会在后续详细介绍。
image
- Backbone 主干（特征提取，与YOLOv11近似）
输入图像 → 多层CBS卷积 + C3k2残差块 + SPPF + C2PSA自注意力
输出3个多尺度特征图：
P3（stride=8，80×80）：小目标浅层特征
P4（stride=16，40×40）：中等目标
P5（stride=32，20×20）：大目标深层语义
2. Neck 颈部FPN+PAN（多尺度融合）
自上而下上采样融合高层语义，自下而上下采样融合底层定位，最终输出融合后的P3/P4/P5送入检测头，主干、neck在O2M/O2O间完全共享权重。
- Detect Head（核心创新：双分支并行输出）
三层特征图分别送入两组独立解耦头：
One2Many（一对多）分支：传统稠密预测头，仅训练使用；网络结构上类似于yolov8，包括输入输出
One2One（一对一）分支：端到端无NMS头，训练+推理默认主分支；
两者卷积结构一致，但权重不共享；且O2O分支梯度会做detach，避免稀疏监督破坏主干特征学习。
4. 关键结构改动：彻底移除DFL
Box分支直接输出x/y/w/h4维坐标，无分布Softmax计算，轻量化、量化友好。
一、前向传播
图像 —> Backbone + Neck，得到共享P3/P4/P5多尺度特征
O2M（一对多）分支：直接用原始特征做预测
image
O2O（一对一）分支：对输入特征先执行截断梯度（影响反向传播），再做预测
image
二、损失计算
Loss计算（两者都参与，ProgLoss动态加权求和）
O2M Loss：TAL一对多匹配损失；
O2O Loss：STAL一对一匹配损失 + 重复框一致性惩罚损失；
总的损失：
:::info
Loss = w_o2m * Loss_o2m + w_o2o * Loss_o2o
:::
其中 w_o2m 和 w_o2o 是权重调节参数，训练前期w_o2m=0.8，后期逐步降到0.1；w_o2o同步从0.2升到0.9。
三、反向传播
O2M梯度：完整回传 Backbone / Neck / O2M 全部网络结构
O2M无detach截断，它的损失梯度一路向前传播，全部主干、颈部网络权重由O2M梯度主导更新，保证充足稠密监督，避免稀疏梯度震荡。
O2O梯度：仅更新O2O自身卷积头，不会回传到Backbone/Neck
因为输入特征做了detach()，梯度到此截断，O2O分支只能更新自己专属的分类/框卷积，完全不参与主干网络参数更新。
总结训练梯度：
image
Backbone、Neck 只靠 O2M 的梯度更新；O2M头、O2O头各自用自身分支梯度独立更新。
O2O 相较于O2M最大的特点是再反向传播时做了阻隔，O2O 分支前面加了 detach()：
image
detach() 相当于在这里砌了一堵墙：
O2O Head 自己的权重可以改，但 O2O 的误差传不过去 Backbone 和 Neck，Backbone、Neck 完全不受 O2O 分支影响。这就叫：截断 O2O 分支对主干网络的梯度传播。目的是让O2O 只改自己的头，不改前面的特征提取部分。
为什么要这么做？（核心原因）
O2O 是一对一稀疏监督：一张图只有几十个正样本，梯度很少、很不稳定。如果让它去改主干，Backbone 会学偏、学震荡、收敛很差
O2M 是一对多稠密监督：正样本多，梯度稳，适合训练主干。O2M前期负责稳定特征的学习，O2O后期负责无NMS的特征学习。
推理流程
在输入尺寸为 640 * 640 时，3个检测头输出特征图为：
20 * 20
40 * 40
80 * 80
每一个网格输出一个预测结果，总计 8400 个结果
全图8400个网格预测全部候选；
全局按置信度 TopK 筛选前300个最高分网格（max_det=300人为上限，平衡速度与稠密场景承载）；
输出固定张量[B,300,nc+4]，不存在同物体重复预测框；
仅需置信度阈值过滤低分占位框，全程无IoU计算、无NMS。
导出
训练完成后、推理/导出阶段行为：
模型导出ONNX/TensorRT等部署文件、执行model.fuse()推理优化时，自动裁剪、永久移除O2M整个分支，只保留O2O一对一推理头；
推理前向仅走：Backbone+Neck → O2O头 → 全局TopK取前300 → 输出[B,300,nc+4]；
仅需置信度过滤，全程无NMS；
若手动设置end2end=False，推理才启用O2M分支，需要NMS后处理。
训推完整流程
训练阶段O2M、O2O双分支同时前向，两者损失加权求和参与反向传播；
仅O2M梯度回传更新Backbone与Neck，O2O梯度仅更新自身检测头；
训练导出模型时自动移除O2M分支，推理全程只使用O2O一对一检测头。
STAL 全称：Small-Target-Aware Label Assignment 小目标感知标签分配（训练阶段核心，无推理逻辑）
传统TAL固定IoU阈值匹配，极小物体易丢失正样本：8像素以内小GT，锚点很难落在框内、IoU极低，直接被划为背景，全程无监督导致严重漏检。
- 动态自适应IoU阈值
物体尺寸越小，匹配IoU门槛自动降低；大目标维持高IoU保证匹配精准度。
- 强制小目标候选扩容
极小GT强制分配至少4个候选锚点，仅允许在浅层P3（8倍下采样）匹配，锁定小目标最优特征层；临时扩张GT搜索范围，避免锚点完全脱离目标。
可参考：https://blog.csdn.net/qq_39697468/article/details/161798744
- 双层TopK一对一冲突消解（支撑无NMS的关键）
○ 第一层：每个GT选出代价最低7个候选网格；
○ 第二层：全局匈牙利二分图冲突消解，保证1个GT仅分配1个最优网格作为正样本，1个网格最多归属1个GT；（无NMS的关键）
○ 所有重叠候选网格全部标记为背景，训练持续压低其置信度，从根源杜绝“同一物体多个高分框
image
- 小目标损失加权
微小物体分类损失权重放大，强制模型重点学习微小特征。
作用定位
● 只为One-to-One一对一检测头提供合规训练标签；
● 兼顾无NMS所需的一对一匹配约束 + 小目标防漏检双重目标；
● 推理阶段不参与计算，仅影响模型收敛权重。
采用One-to-Many一对多头，8400网格每个GT匹配多个锚点，输出大量重叠重复框，必须依赖NMS后处理：存在延迟波动、IoU阈值调参、嵌入式部署需额外后处理代码、DFL算子量化报错等问题。
双头协同训练，推理仅启用One-to-One分支
汇聚全球AI编程工具，助力开发者即刻编程。
更多推荐
3
0- 0
已为社区贡献4条内容
所有评论(0)