24：yolo-26的基本结构

YOLO26

原文： Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models  
代码： ultralytics/ultralytics

网络解决的核心问题

YOLO26 主要解决三个问题：依赖 NMS、DFL 检测头较重且回归范围受限、小目标可能没有正样本。

网络整体结构

YOLO26 沿用 YOLO11 的基本框架，主要改进检测头、标签分配和训练方法，并对 Backbone/Neck 做轻量调整（如增加注意力机制）。

训练策略

1. 双检测头

图 2：YOLO26 双检测头训练流程。
一对多头提供密集监督，一对一头负责无 NMS 推理。Progressive Loss 将训练重点逐渐转向一对一头。
2. 移除 DFL：YOLO26 以直接框回归和 L1 损失替代 DFL，减轻检测头并解除回归范围限制。
3. 小目标标签分配：STAL 在候选筛选时临时放大小框，使其获得正样本。
4. 其它改进：MuSGD 用于加快收敛等等。

YOLO26 训练流程

1. Backbone + Neck：生成多尺度特征图和固定网格预测点。
2. 两个检测头分支：每个网格点分别输出类别分数和预测框。
3. Task-Aligned Assignment：根据当前预测和真实标注为两个分支选择正样本。一对多分支为每个目标选择多个点；一对一分支最终只保留一个点。
4. 两类 Loss：分别使用各自选中的正样本计算分类损失和边界框损失。
5. Progressive Loss Weighting：训练后期逐渐降低一对多损失的权重，更重视一对一分支。
6. MuSGD Optimizer：根据总损失更新网络参数。

实验结果

结果表明，移除 DFL 能降低模型复杂度和推理开销，但会暂时损失精度；L1、STAL 和 Backbone/Neck 改进可以弥补这部分损失。端到端训练、Progressive Loss、MuSGD、预训练和超参数搜索则进一步提升性能，说明 YOLO26 的效果来自多项结构与训练策略的协同改进。