YOLO26是Ultralytics打造的实时计算机视觉模型家族的最新版本——这是一个开放模型，能够在物体出现在图像或视频流中的那一刻就将其识别出来。它有三点对企业主的意义甚至先于对开发者的意义：它现在直接输出最终结果，不再需要过去拖慢部署、增加复杂度的后处理步骤；它是一个涵盖七项视觉任务的单一模型，而不是七套独立系统；在最小尺寸下，它在普通CPU上的运行速度比上一版本最多快43%。在实践中，这意味着已经安装在你的仓库、工厂或展厅里的摄像头，可以变成一个在本地小型设备上运行的运营数据来源——无需昂贵的服务器，视频也不会离开你的场所。

这一版本究竟改变了什么？

早期模型会在每个物体周围画出数十个候选框，然后运行一个名为非极大值抑制的清理步骤，选出最佳框并丢弃其余的框。这一步骤位于模型之外，意味着额外的设置、额外的处理，以及在不同硬件上部署时又多了一个可能出故障的环节。YOLO26直接从检测头输出最终结果，每张图像最多三百个物体，因此把它接入运营系统更简单、更快，而且在生产环境中表现与测试时不一致的可能性也大大降低。

官方文档还介绍了更轻量的检测头（去掉了DFL损失）、基于名为MuSGD的混合优化器的新版训练方案（该优化器借鉴自大语言模型训练），以及明确针对小物体的改进。小物体恰恰是实际运营中最重要的：通道尽头纸箱上的一张标签，或者生产线上移动产品上一处指甲大小的缺陷。

一个模型完成七项视觉任务

从商业角度看，真正有意思的不是单纯的精度，而是同一个模型家族以现成的权重和统一的流水线覆盖七项任务。这减少了你需要采购、维护并培训团队使用的系统数量：

  • 目标检测：物体在哪里、是什么。这是计数、跟踪和告警的基础。
  • 实例分割：为每个物体生成精确的掩码而不是方框，便于测量面积和缺陷。
  • 语义分割：对每个像素进行分类，例如把通道与存储区区分开来。
  • 深度估计：仅用一个摄像头判断距离，无需额外的激光传感器。
  • 图像分类：判断这一情况是否合规。
  • 姿态估计：跟踪人体关键点，用于安全和动作分析。
  • 旋转目标检测：为与坐标轴不对齐的物体（如托盘和航拍图像）生成倾斜的框。

官方文档显示，与上一版本相比，分割任务的掩码质量最多提升3.7个点，姿态估计最多提升7.2个点，在DOTA基准上的旋转目标检测提升3.4个点。这些数字很重要，但更重要的是，它们来自同一个模型，而不是三个独立的项目。

决定你该买什么硬件的数字

该模型家族提供五种尺寸，每种尺寸都在精度、速度和成本之间有清晰的取舍。在COCO基准上公布的数据显示，精度从40.9到57.5不等，在T4显卡上的耗时从1.7到11.8毫秒不等：

  • 最小尺寸：仅有240万个参数，可在没有显卡的普通CPU上运行。适合门店或小型仓库中单个摄像头的明智选择。
  • 中等尺寸：在一台本地设备上运行多个摄像头时的良好平衡。
  • 最大尺寸：5570万个参数，适用于精度比成本更重要的场景，例如精细的质量检测。

实用法则：从能解决你问题的最小尺寸开始。大多数在商业上失败的计算机视觉项目，并不是因为模型太弱，而是因为有人选择了最大的模型，随后发现在二十个摄像头上运行它的成本超过了它带来的节省。

它真正能在哪些地方帮到你

  • 仓库：在收货和发货环节清点托盘和纸箱，发现实际移动的货物与系统记录之间的差异。
  • 工厂：在生产线上进行视觉检测，一旦出现重复的缺陷模式就暂停该批次，而不是等到客户那里才发现。
  • 零售和展厅：测量门店内的人流动线、停留区域，以及在无人察觉的情况下已经缺货的货架。
  • 安全：核查危险区域内的防护装备，并在有人进入禁区时立即告警。
  • 场站和车队：记录卡车进出，并自动将其与装货单关联。
  • 工程承包：以影像方式记录工地进度，并将其与付款申请挂钩，而不是依赖人工报告。

所有这些场景的共同点是，它们都不需要通用人工智能或大语言模型。它们需要的是一个具体的问题——今天有多少纸箱从这扇门出去了——以及一个无需人工干预就能回答它的系统。

按描述检测，而不是依赖固定清单

这一版本还支撑着一个名为YOLOE-26的开放词汇变体，它可以在文字描述或视觉示例的引导下，识别从未训练过的类别。这解决了一个老问题：过去每增加一个新类别，就意味着又一轮训练。在零售等产品不断变化的环境中，这一功能意味着系统在需要重建之前拥有更长的使用寿命。

先定许可证，再写代码

这一点会让整个项目在完工之后功亏一篑。YOLO26的权重和代码可在AGPL-3.0许可下获得，也可获取Ultralytics的商业许可。AGPL对任何构建通过网络向他人提供的产品的人都施加了义务，并可能要求公开你的源代码。如果仅在自身运营内部使用，情况就简单得多；如果你要构建出售给客户的产品，请在写下第一行代码之前就与法律顾问敲定许可证，而不是在交付之后。

摄像头与《个人数据保护法》

任何拍摄人员的摄像头都会产生个人数据，因此适用沙特阿拉伯的《个人数据保护法》（PDPL）以及沙特数据和人工智能管理局（SDAIA）发布的实施条例。在实践中，这意味着要在拍摄地点进行披露和设置告示，明确并限定处理目的，并尽量减少留存的内容。好消息是，YOLO26在普通CPU上的高效率让本地处理真正变得可行：视频从不离开场所，存储下来的是得出的数字，而不是图像。这种设计能同时降低你的合规风险和成本。

如何在六周内起步

不要一开始就做覆盖整个设施的计算机视觉项目。选择一个摄像头和一个可衡量的问题，从你自己的现场而不是互联网收集数据，用小尺寸模型训练，并在两周内将结果与人工计数进行对比。如果试点证明该系统能节省工时或避免价值明确的损失，就一次增加一个摄像头逐步扩展。如果不能，你花掉的只是六周时间，而不是一整年的预算。

参考来源