YOLO26如何涨点系列篇（NEU-DET缺陷检测） | CVPR2026 FAAFusion 解决Neck跨尺度方向冲突，实现涨点1.2%

原始YOLO网络的问题点方向信息丢失YOLO的neck通过上采样nn.Upsample和拼接Concat融合多尺度特征但高层特征语义强方向模糊低层特征细节强方向精确。简单拼接导致两种方向信号直接叠加产生冲突使融合特征的方向语义混乱。旋转目标检测性能差由于缺乏方向对齐YOLO对遥感图像中任意朝向的飞机、船舶等旋转目标的角度回归不准确容易产生预测偏差尤其在目标密集或小尺度场景下。 FAAFusion的解决方案消除方向不一致FAAFusion先利用频域估计低层特征的主方向再旋转高层特征使其与低层方向对齐然后融合。确保跨尺度特征方向一致避免冲突。提升旋转检测精度对齐后的多尺度特征为检测头提供更准确的方向线索显著改善角度回归和定位精度。保持轻量高效仅增加少量频域计算不破坏YOLO的实时性。本文改进FAAFusion引入YOLO neck ,代替nn.Upsample和Concat 在NEU-DET数据集下验证原始mAP50原始为 0.722提升至 0.734 P原始为 0.745 提升至 0.749R原始为 0.643 提升至0.665 mAP50-95原始为0.407提升至 0.41博主简介​AI小怪兽 | 计算机视觉布道者 | 视觉检测领域创新者深耕计算机视觉与深度学习领域专注于视觉检测前沿技术的探索与突破。长期致力于YOLO系列算法的结构性创新、性能极限优化与工业级落地实践旨在打通从学术研究到产业应用的最后一公里。 核心专长与技术创新YOLO算法结构性创新于CSDN平台原创发布《YOLOv13魔术师》、《YOLOv12魔术师》等全系列深度专栏。系统性提出并开源了多项原创自研模块在模型轻量化设计、多维度注意力机制融合、特征金字塔重构等关键方向完成了一系列突破性实践为行业提供了具备高参考价值的技术路径与完整解决方案。技术生态建设与知识传播独立运营“计算机视觉大作战”公众号粉丝1.6万成功构建高质量的技术交流社群。致力于将复杂算法转化为通俗易懂的解读与可复现的工程代码显著降低了计算机视觉的技术入门门槛。 行业影响力与商业实践荣获腾讯云年度影响力作者与创作之星奖项内容质量与专业性获行业权威平台认证。全网累计拥有7万垂直领域技术受众专栏文章总阅读量突破百万在目标检测领域形成了广泛的学术与工业影响力。具备丰富的企业级项目交付经验曾为工业视觉检测、智慧城市安防等多个关键领域提供定制化的算法模型与解决方案驱动业务智能化升级。 未来方向与使命秉持“让每一行代码都有温度”的技术理念未来将持续聚焦于实时检测、语义分割及工业缺陷检测的商业化闭环等核心方向。愿与业界同仁协同创新共同推动技术边界以坚实的技术能力赋能实体经济与行业变革。原创自研系列26年计算机视觉顶会创新点《YOLO26魔术师》原创自研系列25年计算机视觉顶会创新点《YOLOv13魔术师》《YOLOv12魔术师》《YOLO11魔术师》《YOLOv8原创自研》《YOLOv5原创自研》《YOLOv7原创自研》《YOLOv9魔术师》​《YOLOv10魔术师》 ​应用系列篇《YOLO小目标检测》《深度学习工业缺陷检测》《YOLOv8-Pose关键点检测》23、24年最火系列加入24年改进点内涵100优化改进篇涨点小能手助力科研好评率极高《YOLOv8魔术师》《YOLOv7魔术师》《YOLOv5/YOLOv7魔术师》《RT-DETR魔术师》1.YOLO26原理介绍论文https://arxiv.org/pdf/2509.25164摘要本研究对Ultralytics YOLO26进行了全面分析重点阐述了其关键架构改进及其在实时边缘目标检测中的性能基准测试。YOLO26于2025年9月发布是YOLO系列最新、最先进的成员专为在边缘及低功耗设备上实现高效、精确且易于部署的目标而构建。本文依次详述了YOLO26的架构创新包括移除了分布焦点损失DFL采用端到端的无NMS推理集成了渐进损失ProgLoss与小目标感知标签分配STAL以及引入了用于稳定收敛的MuSGD优化器。除架构外本研究将YOLO26定位为多任务框架支持目标检测、实例分割、姿态/关键点估计、定向检测及分类。我们在NVIDIA Jetson Nano与Orin等边缘设备上呈现了YOLO26的性能基准测试并将其结果与YOLOv8、YOLOv11、YOLOv12、YOLOv13及基于Transformer的检测器进行比较。本文进一步探讨了其实时部署路径、灵活的导出选项ONNX、TensorRT、CoreML、TFLite以及INT8/FP16量化技术。文章重点展示了YOLO26在机器人、制造业及物联网等领域的实际应用案例以证明其跨行业适应性。最后讨论了关于部署效率及更广泛影响的见解并展望了YOLO26及YOLO系列的未来发展方向。关键词YOLO26边缘人工智能多任务目标检测无NMS推理小目标识别YOLOYou Only Look Once目标检测MuSGD优化器Detection (COCO)结构框图如下1.1 YOLO11 vs YOLO26结构差异性1.1.1 SPPF 核心差异对比1池化次数灵活性YOLO11 的 3 次池化是硬编码的要修改必须改源码YOLO26 通过n参数可灵活调整比如设为 2 次或 4 次无需改核心逻辑。2Shortcut 设计YOLO26 新增的残差连接能缓解深层网络的梯度消失问题提升特征复用能力而 YOLO11 无此设计。3激活函数控制YOLO26 禁用 Conv1 的激活函数让特征在池化前保持更 “原始” 的状态是工程上对特征提取的优化。源码位置ultralytics/nn/modules/block.py1.1.2 C3k2 核心差异对比1注意力机制的新增YOLO26 的 C3k2首次引入PSABlock金字塔注意力模块通过attn参数控制是否启用这是两者最核心的功能差异 —— 启用后模块会先通过 Bottleneck 提取基础特征再通过 PSABlock 增强关键区域的特征权重提升小目标 / 复杂场景的检测效果。2分支逻辑的扩展YOLO11 的分支仅受c3k控制而 YOLO26 的分支逻辑优先级为attn c3k即只要attnTrue会优先启用注意力模块忽略c3k的配置。重复模块m (n次迭代): ┌─────────────────────────────────────────────────────────┐ │ │ │ 如果 attnTrue: │ │ Sequential( │ │ Bottleneck(self.c, self.c), │ ←─ 先特征提取 │ PSABlock(self.c, attn_ratio0.5, num_heads...) │ ←─ 后注意力增强 │ ) │ │ │ │ 否则如果 c3kTrue: │ │ C3k(self.c, self.c, 2) │ ←─ 同YOLOv11 │ │ │ 否则: │ │ Bottleneck(self.c, self.c) │ ←─ 同YOLOv11 │ │ └─────────────────────────────────────────────────────────┘YOLO26 C3k2代码源码位置ultralytics/nn/modules/block.py1.2 YOLO26核心创新点YOLO26引入了多项关键架构创新使其区别于前几代YOLO模型。这些增强不仅提高了训练稳定性和推理效率还从根本上重塑了实时边缘设备的部署流程。本节将详细描述YOLO26的四项主要贡献i移除分布焦点损失DFLii引入端到端无NMS推理iii新颖的损失函数策略包括渐进损失平衡ProgLoss和小目标感知标签分配STAL以及iv开发用于稳定高效收敛的MuSGD优化器。我们将详细讨论每一项架构增强并通过对比分析突显其相对于YOLOv8、YOLOv11、YOLOv12和YOLOv13等早期YOLO版本的优势。1.2.1 创新点1移除分布焦点损失DFLYOLO26最重要的架构简化之一是移除了分布焦点损失DFL模块图3a该模块曾存在于YOLOv8和YOLOv11等早期YOLO版本中。DFL最初旨在通过预测边界框坐标的概率分布来改进边界框回归从而实现更精确的目标定位。虽然该策略在早期模型中展示了精度提升但也带来了不小的计算开销和导出困难。在实践中DFL在推理和模型导出期间需要专门处理这使针对ONNX、CoreML、TensorRT或TFLite等硬件加速器的部署流程变得复杂。源码位置ultralytics/utils/loss.py通过reg_max 设置为1移除了分布焦点损失DFLclass BboxLoss(nn.Module): Criterion class for computing training losses for bounding boxes. def __init__(self, reg_max: int 16): Initialize the BboxLoss module with regularization maximum and DFL settings. super().__init__() self.dfl_loss DFLoss(reg_max) if reg_max 1 else None1.2.2 创新点2端到端无NMS推理YOLO26从根本上重新设计了预测头以直接产生非冗余的边界框预测无需NMS。这种端到端设计不仅降低了推理复杂度还消除了对手动调优阈值的依赖从而简化了集成到生产系统的过程。对比基准测试表明YOLO26实现了比YOLOv11和YOLOv12更快的推理速度其中nano模型在CPU上的推理时间减少了高达43%。这使得YOLO26对于移动设备、无人机和嵌入式机器人平台特别有利在这些平台上毫秒级的延迟可能产生重大的操作影响。源码位置ultralytics/utils/nms.py1.2.3 创新点3ProgLoss和STAL增强训练稳定性和小目标检测训练稳定性和小目标识别仍然是目标检测中持续存在的挑战。YOLO26通过整合两种新颖策略来解决这些问题渐进损失平衡ProgLoss和小目标感知标签分配STAL如图图3c所示。ProgLoss在训练期间动态调整不同损失分量的权重确保模型不会过拟合于主导物体类别同时防止在稀有或小类别上表现不佳。这种渐进式再平衡改善了泛化能力并防止了训练后期的不稳定。另一方面STAL明确优先为小目标分配标签由于像素表示有限且易被遮挡小目标尤其难以检测。ProgLoss和STAL共同为YOLO26在包含小目标或被遮挡目标的数据集如COCO和无人机图像基准上带来了显著的精度提升。1.2.4 创新点4用于稳定收敛的MuSGD优化器YOLO26的最后一项创新是引入了MuSGD优化器图3d它结合了随机梯度下降SGD的优势与最近提出的Muon优化器一种受大型语言模型训练中使用的优化策略启发而发展的技术。MuSGD利用SGD的鲁棒性和泛化能力同时融入了来自Muon的自适应特性能够在不同数据集上实现更快的收敛和更稳定的优化。源码位置ultralytics/optim/muon.py2.如何训练YOLO26模型2.1 如何训练NEU-DET数据集2.1.1 数据集介绍直接搬运YOLO11的就能使用2.1.2 超参数修改位置如下default.yaml2.2 训练可视化训练方式import warnings warnings.filterwarnings(ignore) from ultralytics import YOLO if __name__ __main__: model YOLO(ultralytics/cfg/models/26/yolo26n.yaml) #model.load(yolo26n.pt) # loading pretrain weights model.train(datadata/NEU-DET.yaml, cacheFalse, imgsz640, epochs300, batch16, close_mosaic10, workers2, device0, #optimizerSGD, # using SGD,auto projectruns/train, nameexp, )训练结果可视化结果YOLO26n summary (fused): 122 layers, 2,376,006 parameters, 0 gradients, 5.2 GFLOPs Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 16/16 3.0it/s 5.4s all 486 1069 0.745 0.643 0.722 0.407 crazing 69 149 0.615 0.215 0.367 0.139 inclusion 87 222 0.784 0.725 0.796 0.396 patches 92 243 0.834 0.848 0.918 0.605 pitted_surface 93 130 0.823 0.716 0.788 0.499 rolled-in_scale 81 171 0.643 0.538 0.615 0.29 scratches 90 154 0.77 0.818 0.85 0.51预测结果3 引入 FAAFusion频域对齐融合模块3.1 原理介绍​论文Fourier Angle Alignment for Oriented Object Detection in Remote Sensing摘要在遥感旋转目标检测中主流方法存在两个瓶颈检测器颈部的方向不一致性和检测头的任务冲突。利用傅里叶旋转等变性我们引入了傅里叶角度对齐该方法通过频谱分析角度信息并将主方向对齐到特定方向。随后我们提出了两个即插即用模块FAAFusion和FAA Head。FAAFusion 作用于检测器颈部将高层特征的主方向对齐到低层特征后进行融合。FAA Head 作为一个新的检测头将 RoI 特征预对齐到规范角度并在分类和回归之前将其与原始特征相加。在 DOTA-v1.0、DOTA-v1.5 和 HRSC2016 上的实验表明我们的方法能显著提升先前工作的性能。特别地在单尺度训练和测试下我们的方法在 DOTA-v1.0 数据集上达到了 78.72% mAP 的新最先进结果在 DOTA-v1.5 数据集上达到了 72.28% mAP验证了我们的方法在遥感目标检测中的有效性。​方法在本节中我们首先介绍我们的公式和动机。接着我们将详细描述我们的傅里叶角度对齐方法。然后我们将介绍 FAA 在检测器不同位置的应用即 FAAFusion 和 FAAHead这将在 3.3 和 3.4 节中详细说明。​3.2 yolo26-FAAFusion结构框图源码详见https://blog.csdn.net/m0_63774211/article/details/160215787?spm1001.2014.3001.55013.3训练结果可视化结果原始mAP50原始为 0.722提升至 0.734 P原始为 0.745 提升至 0.749R原始为 0.643 提升至0.665 mAP50-95原始为0.407提升至 0.41YOLO26-FAAFusion summary (fused): 128 layers, 2,395,720 parameters, 0 gradients, 5.2 GFLOPs Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 16/16 1.0s/it 16.0s all 486 1069 0.749 0.665 0.734 0.41 crazing 69 149 0.559 0.255 0.395 0.151 inclusion 87 222 0.768 0.76 0.805 0.418 patches 92 243 0.864 0.877 0.928 0.57 pitted_surface 93 130 0.849 0.738 0.807 0.515 rolled-in_scale 81 171 0.642 0.503 0.598 0.277 scratches 90 154 0.812 0.857 0.874 0.529