企业官网建设流程全解析

做行程规划的旅行网站,在哪个网站有兼职做,如何开发一款游戏,北京好的网站建设在2025年9月举办的 YOLO Vision 2025 大会上#xff0c;Ultralytics 就说预期十月份发布YOLO26[1]。 结果跳票了3个月#xff0c;终于在昨天正式发布出来了。 Ultralytics 发布的上一代YOLO 还是YOLO11#xff0c;这次直接改名YOLO26#xff0c;估计是有两方面的考量#…在2025年9月举办的 YOLO Vision 2025 大会上Ultralytics 就说预期十月份发布YOLO26[1]。结果跳票了3个月终于在昨天正式发布出来了。Ultralytics 发布的上一代YOLO 还是YOLO11这次直接改名YOLO26估计是有两方面的考量ultralytics要推商业化必然要主导YOLO的命名权如果还是按照之前的那种习惯到时候别人又开始发论文占坑(比如YOLO12)这样做彻底把这条路堵死了。作为一个长期维护的开源项目学习苹果操作系统的命名模式估计是打算一年做一次大版本更新这样做也更有规律和识别度。当然和前几代“挤牙膏”式的性能提升略有不同这次YOLO26比前面YOLO11的提升幅度是略大的从下面的曲线图也能看出来在COCO数据集上的性能表现曲线明显变高了。这一代模型依然是n/s/m/l/x五个型号性能和速度也比RT-DETR更好。下面来看看主要的更新亮点。更新内容概述根据其博客[1]描述YOLO26主要有以下内容更新DFL 移除分布焦损 (DFL) 模块虽然有效但导出过程通常较为复杂且硬件兼容性有限。YOLO26 完全移除了 DFL简化了推理过程并扩展了对边缘计算和低功耗设备的支持。端到端无 NMS 推理与依赖非极大值抑制NMS作为独立后处理步骤的传统检测器不同YOLO26 本身就是端到端的 。它直接生成预测结果从而降低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精度尤其是在小目标识别方面取得了显著改进这对于物联网、机器人、航空图像和其他边缘应用来说至关重要。MuSGD 优化器一种结合了 SGD 和 Muon 的新型混合优化器。受 Moonshot AI 的 Kimi K2 启发MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉领域从而实现更稳定的训练和更快的收敛速度。CPU 推理速度提升高达 43%YOLO26 专为边缘计算而优化可提供更快的 CPU 推理速度确保在没有 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善模型收敛性并升级了原型模块利用多尺度信息以获得更优的掩码质量。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解码过程以提高推理速度。改进的 OBB 解码引入专门的角度损失来提高方形物体的检测精度并优化 OBB 解码以解决边界不连续问题。细节分析深扒其开源代码[2]可以对上述内容进行更详细的分析。NMS替代在取消NMS之后实际上是用 TopK 替代 NMS在 ultralytics/nn/modules/head.py 代码中可以看到相关代码defpostprocess(self,preds):用 TopK 替代 NMSboxes,scorespreds.split([4,self.nc],dim-1)scores,conf,idxself.get_topk_index(scores,self.max_det)boxesboxes.gather(dim1,indexidx.repeat(1,1,4))returntorch.cat([boxes,scores,conf],dim-1)defget_topk_index(self,scores,max_det):选择 Top-K 个最高分的预测kmax_det ori_indexscores.max(dim-1)[0].topk(k)[1].unsqueeze(-1)scoresscores.gather(dim1,indexori_index.repeat(1,1,nc))scores,indexscores.flatten(1).topk(k)idxori_index[...,index//nc]returnscores[...,None],(index%nc)[...,None].float(),idxTopK是通过计算每个目标框的 预测得分选择得分最高的 max_det 个框。例如假设有 1000 个候选框在推理阶段通过 TopK 筛选出前300个具有最高置信度的框。yself._inference(preds[one2one]ifself.end2endelsepreds)ifself.end2end:yself.postprocess(y.permute(0,2,1))# TopK 后处理returny在模型训练的时候通过一个 One2One分支 来进行一对一的目标匹配通过这种方式让模型自身学习如何去除多余的框。ProgLoss取缔NMS这步是有点激进的为此YOLO26使用了ProgLoss去进行渐进式损失计算旨在通过在训练过程中逐渐调整不同损失的权重以帮助模型更有效地学习。在 ultralytics/utils/loss.py 文件中E2ELoss 类实现了 ProgLoss 的核心逻辑classE2ELoss:def__init__(self,model,loss_fnv8DetectionLoss):self.one2manyloss_fn(model,tal_topk10)# 一对多分配topk10self.one2oneloss_fn(model,tal_topk7,tal_topk21)# 一对一分配topk21# 初始权重self.o2m0.8# one-to-many 初始权重 80%self.o2o0.2# one-to-one 初始权重 20%self.final_o2m0.1# one-to-many 最终权重 10%def__call__(self,preds,batch):loss_one2manyself.one2many.loss(one2many,batch)loss_one2oneself.one2one.loss(one2one,batch)# 加权混合returnloss_one2many[0]*self.o2mloss_one2one[0]*self.o2o,...defdecay(self,x)-float:渐进衰减公式returnmax(1-x/max(epochs-1,1),0)*(0.8-0.1)0.1翻译一下代码这个损失的变化如下表所示阶段one2many 权重one2one 权重目的早期高 (0.8)低 (0.2)多正样本快速学习特征中期渐减渐增平滑过渡逐步调整模型焦点后期低 (0.1)高 (0.9)专注一对一精确匹配减少冗余ProgLoss 通过在训练的不同阶段调整权重模型能够在初期专注于广泛学习特征one-to-many而在后期聚焦于精确地进行目标匹配one-to-one。STALSTAL (Small-Target-Aware TAL)是一个针对小目标的改进核心代码在 ultralytics/utils/tal.py 的 select_candidates_in_gts 函数中defselect_candidates_in_gts(self,xy_centers,gt_bboxes,mask_gt,eps1e-9):gt_bboxes_xywhxyxy2xywh(gt_bboxes)# 将边界框格式从 (x_min, y_min, x_max, y_max) 转换为 (x_center, y_center, width, height)# 关键检测小于最小stride的目标wh_maskgt_bboxes_xywh[...,2:]self.stride[0]# stride[0] 8用来检测目标宽高小于stride的目标stride_valtorch.tensor(self.stride[1],dtype...,device...)# stride[1] 16为大目标的stride值# 关键优化将小目标的宽高扩展到第二个stride尺度gt_bboxes_xywh[...,2:]torch.where((wh_mask*mask_gt).bool(),# 如果是小目标且在mask中则执行扩展stride_val,# 小目标 → 扩展到16gt_bboxes_xywh[...,2:]# 其他目标 → 保持原尺寸)gt_bboxesxywh2xyxy(gt_bboxes_xywh)# 将修改后的边界框转换回 (x_min, y_min, x_max, y_max) 格式它的原理是通过将小目标的边界框虚拟扩展到16px使得小目标能匹配更多的锚点。例如原始的小目标尺寸为 6x6 px而在特征图上锚点的尺度通常较大如 stride8导致原始的小目标无法匹配足够多的锚点可能只有一个或者没有匹配的锚点。虚拟扩展通过扩展小目标的边界框尺寸将 6x6 px 扩展到 16x16 px模拟一个较大的目标。这个扩展不是物理上修改目标的尺寸而是改变了计算过程中的目标尺寸使得它能够匹配更多的锚点。扩展后的效果扩展后的虚拟目标如 16x16 px可以与更多的锚点进行匹配这样就会增加正样本的数量同时也增强了小目标的学习信号。这样一来模型就能够更好地识别和学习小目标的特征。MuSGDMuon的创新点是通过Newton-Schulz迭代对梯度矩阵进行正交化从而让收敛速度更加稳定。MuSGD其实不是纯创新的优化器而是Muon和SGD的加权混合。在代码 ultralytics/engine/trainer.py 中可以看到具体权重。muon, sgd (0.5, 0.5) if iterations 10000 else (0.1, 1.0)翻译一下就是条件muon 权重sgd 权重迭代次数 10000 (大数据集)0.50.5迭代次数 ≤ 10000 (小数据集/微调)0.11.0这样混合是发挥了两者各自的优势Muon提供正交化的探索方向SGD提供稳定的更新方向从权重上看Muon 只有在大数据集上才会重点使用对于小样本的数据集来说作用不明显。总结YOLO26 主要的优化倾向是增加小目标的检测性能和优化推理速度同时在目标检测领域YOLO依然是那个SOTA。参考[1] https://docs.ultralytics.com/models/yolo26/#overview[2] https://github.com/ultralytics/ultralytics