【目标检测2025】

yolo2026

https://www.ultralytics.com/yolo
https://docs.ultralytics.com/zh/models/yolo26/#overview
https://github.com/ultralytics/ultralytics/blob/main/docs/en/models/yolo26.md
动机
YOLO26旨在为边缘和低功耗设备提供一种实时物体检测解决方案。它通过简化模型架构，消除不必要的复杂性，并集成有针对性的创新技术，以实现更快、更轻、更易部署的模型。
方法
架构简化：YOLO26采用原生端到端模型设计，无需非最大抑制（NMS）即可直接生成预测结果，简化了推理过程。
部署效率：端到端设计减少了整个处理流程的阶段，降低了延迟，并简化了不同环境下的部署。
训练创新：引入了MuSGD优化器，结合SGD和Muon，灵感来自Moonshot AI的Kimi K2，提高了训练稳定性和收敛速度。
性能优化：通过移除DFL模块、采用ProgLoss + STAL损失函数，以及针对CPU推理的优化，YOLO26在CPU上的运行速度提高了43%。
实验
文档中提到YOLO26的性能数据为早期预览，最终数据和可下载权重将在训练完成后发布。目前，YOLO26在COCO数据集上使用80个预训练类进行训练，但具体的实验结果和基准测试尚未公布。
结论
YOLO26通过其创新的架构设计和优化策略，在小型物体检测精度、部署效率和CPU推理速度上实现了显著提升。它被认为是迄今为止在资源有限环境中最实用、最易部署的YOLO模型之一。然而，由于模型仍在开发中，具体的性能指标和实验结论尚未最终确定。

DINOv3

https://ai.meta.com/dinov3/

动机 (Motivation)
自监督学习的潜力与挑战：自监督学习（SSL）有望消除对人工数据标注的需求，使模型能够轻松扩展到大规模数据集和更大的架构。然而，传统的SSL方法在扩展到大型模型和长时间训练时，会遇到密集特征（即空间分辨率较高的特征图）质量退化的问题，这限制了其在需要精确定位信息的下游任务（如目标检测、语义分割）中的应用。
通用视觉基础模型的需求：领域需要一个能够跨任务和领域、无需微调即可提供卓越性能的通用视觉编码器。现有的SSL模型在密集特征表示方面存在不足，无法完全满足这一需求。
方法 (Method)
DINOv3 的核心技术创新围绕三个关键方面：
大规模数据与模型协同扩展：
数据策略：采用三重数据策划策略，包括聚类策划（clustering curation）、检索策划（retrieval curation）和标准数据集的混合，以确保训练数据的多样性和质量。
模型架构：使用包含高达70亿参数的Vision Transformer (ViT) 架构，实现模型规模的显著扩展。
Gram锚定（Gram Anchoring）技术：
问题：在长时间训练过程中，密集特征图的质量会退化，导致空间定位能力丧失。
解决方案：引入Gram锚定技术，通过约束patch特征间的Gram矩阵相似性结构，保持特征的空间结构信息，从而有效解决密集特征退化问题，使模型在保持全局语义理解能力的同时，维持精确的空间定位能力。
多阶段训练策略：
基础自监督训练：首先进行基础的自监督预训练。
Gram锚定细化：在训练过程中引入Gram锚定，以细化特征表示。
高分辨率适应：进行高分辨率图像的适应训练，以提升模型在高分辨率场景下的性能。
知识蒸馏：最后通过知识蒸馏进一步优化模型，产生真正通用的视觉编码器。
实验 (Experiments)
论文在多种视觉任务上评估了DINOv3的性能，包括图像分类、目标检测、语义分割和深度估计等。实验结果表明：
无需微调的最优性能：DINOv3在无需任务特定微调的情况下，在多种任务上均达到了最先进的性能，显著超越了以往的自监督和弱监督基础模型，甚至超过了一些使用额外监督信号的方法（如掩码标注先验）。
高质量的密集特征：DINOv3能够产生高质量的密集特征，这些特征在空间上具有丰富的细节，能够精确捕捉物体边界、纹理细节和空间关系。
高分辨率特征支持：模型支持高分辨率特征提取，适用于医学影像分析、环境监测等需要高精度特征的场景。
结论 (Conclusion)
DINOv3是一个突破性的自监督视觉基础模型，通过大规模数据与模型协同扩展、Gram锚定技术和多阶段训练策略，成功解决了传统SSL在规模化时的稳定性问题和密集特征退化问题。该模型能够产生高质量的密集特征，在无需微调的情况下，在多种视觉任务上达到最先进的性能，为计算机视觉领域树立了新的技术标杆。此外，研究团队还分享了DINOv3系列模型，旨在为不同资源和部署场景提供可扩展的解决方案，推动视觉基础模型的广泛应用。