【发刊神器】把刚发布的 YOLO26 塞进半监督检测框架：一篇论文的创新点，我帮你凑齐了

作者：NeuralDragon　QQ：541137317

关键词：YOLOv26 · 半监督目标检测(SSOD) · EfficientTeacher · NMS-free · DFL-free · MuSGD

一句话：2026 年 1 月刚发布的 YOLOv26 + 半监督学习，模块化、可消融、创新点密集——
这套组合拳，天生就是为了「水…啊不，为了高质量产出一篇目标检测方向论文」而生的。

---

0. 为什么说它是「发刊神器」？

写一篇 CV 检测方向的论文，审稿人最爱问三件事：新不新、稳不稳、消融全不全。
这套代码恰好把这三点全占了：

1. 够新：YOLOv26 是 Ultralytics 2026 年 1 月 14 日才发布的最新一代检测器，
   NMS-free 端到端 + 去 DFL，本身就是热点；再叠加半监督学习这个长盛不衰的方向，
   “新 backbone/新 head + 老问题新解法” 的故事天然成立。
2. 够稳：底座是成熟的 EfficientTeacher 半监督框架（EMA 教师 + 伪标签 + 一致性），
   不是从零搭，训练流程经过验证，复现风险低。
3. 够消融：整套设计是积木式的——去不去 DFL、要不要 NMS-free 的 o2o 分支、
   ProgLoss/STAL 开不开、SGD 还是 MuSGD、半监督比例 1%/2%/5%/10%……
   每一个开关都是一张消融表，论文实验部分直接拉满。

⚠️ 本仓库的 YOLOv26 是对齐官方公开架构描述的社区复现版

---

1. 整体架构：换头不换流程

                  ┌──────────  全监督主体（升级为 YOLOv26）──────────┐
   输入图像 ─▶ Backbone(YoloV8/V13) ─▶ Neck(PAN) ─▶ Head(YOLOv26: DFL-free + o2o NMS-free)
                  └────────────────────────────────────────────────┘
                                      │
                     o2m TAL(top_k=13) │ o2o TAL(top_k=1) ← NMS-free 监督
                                      ▼
        半监督机制（不变）：EMA 教师 / 伪标签 / 一致性 / 域判别

和很多人做的 YOLOv13 改造侧重点正好相反：

• YOLOv13 创新在骨干/颈部（HyperACE/FullPAD）→ 保留 v8 头；
• YOLOv26 创新在头部/训练（去 DFL、NMS-free）→ 重点是新头 + 新损失，骨干颈部复用。

两者可以叠加（YOLOv13 骨干 + YOLOv26 头），又是一篇消融的素材。

---

2. 三个能写进 Method 的创新点

2.1 DFL-free：把分布式框回归拍扁成直接回归

YOLOv8 回归头输出 4×(reg_max+1) 通道，再用 softmax+proj 积分出框。YOLOv26 直接回归 4 个值。
好处（论文里这么写）：去掉脆弱的 softmax/proj 算子 → 导出图更简单 → 量化(INT8/FP16)更友好 →
边缘部署延迟更低。

工程上零结构改动，配置即开关：

Loss: { use_dfl: False, reg_max: 0 }   # 4×(0+1)=4，回归头退化为直接回归 4 通道

2.2 NMS-free：一对一(o2o)分支，端到端出框

YOLOv10 风格双分配：训练时 o2m 分支（top_k=13）给丰富监督，o2o 分支（top_k=1）学「每目标一框」，
推理走 o2o → 不需要 NMS，也甩掉了 IoU/score 这类要逐场景调的部署超参。

Model: { Head: { name: 'YoloV26', end2end: True } }

这一点对半监督尤其香：伪标签生成时少了 NMS 阈值的玄学调参，
故事可以讲成「NMS-free 让伪标签更稳定」——又一个创新点。

2.3 MuSGD：Muon + SGD 混合优化器

二维权重走 Muon（Newton-Schulz 正交化更新，均衡各方向步长），一维参数走 SGD。
hyp.optimizer: 'MuSGD' 一键开启，默认 SGD 保持兼容。优化器对比也是一张消融表。

---

3. 五分钟跑起来

# 0) 环境（务必 numpy<2 + torchvision）
pip install -r requirements.txt && pip install "numpy<2"

# 1) 前向自测（不需要数据/GPU，确认装好了）
python scripts/selftest_yolov26.py
#   期望：YoloV26Detect | reg_max:0 | use_dfl:False，回归 4 通道，eval (B,8400,85)，[PASS]

# 2) 全监督训练 YOLOv26
python train.py --cfg configs/sup/public/yolov26l_coco.yaml

# 3) 半监督训练（先把上一步 best.pt 填进 ssod 配置的 weights:）
python train.py --cfg configs/ssod/custom/yolov26_custom_ssod.yaml

# 4) 验证 / 推理
python val.py    --cfg configs/sup/public/yolov26l_coco.yaml --weights runs/yolov26/exp/weights/best.pt
python detect.py --weights runs/yolov26/exp/weights/best.pt --source assets/

---

4. 实验表格模板（数值留空，跑完自己填）

下面全是占位表格，— 处填你的实测结果。建议固定随机种子、记录 epoch/输入尺寸/硬件。

4.1 半监督主结果（COCO 标准协议，不同标注比例）

方法	标注比例	mAP@0.5:0.95	AP50	AP75	备注
Supervised baseline (YOLOv26)	1%	—	—	—	仅有标注
Ours (YOLOv26 + SSOD)	1%	—	—	—	+无标注
Supervised baseline (YOLOv26)	5%	—	—	—
Ours (YOLOv26 + SSOD)	5%	—	—	—
Supervised baseline (YOLOv26)	10%	—	—	—
Ours (YOLOv26 + SSOD)	10%	—	—	—

4.2 消融实验（在同一标注比例下逐项开关）

#	DFL-free	NMS-free(o2o)	ProgLoss	STAL	MuSGD	mAP	ΔmAP
1	✗	✗	✗	✗	✗	—	base
2	✓	✗	✗	✗	✗	—	—
3	✓	✓	✗	✗	✗	—	—
4	✓	✓	✓	✗	✗	—	—
5	✓	✓	✓	✓	✗	—	—
6	✓	✓	✓	✓	✓	—	—

4.3 部署效率（NMS-free 的卖点）

配置	后处理	输入	延迟(ms)↓	FPS↑	显存(GB)	设备
YOLOv26 (end2end=False, +NMS)	NMS	640	—	—	—	—
YOLOv26 (end2end=True)	无 NMS	640	—	—	—	—

4.4 优化器对比

优化器	mAP	收敛 epoch	备注
SGD	—	—	默认
MuSGD	—	—	Muon+SGD

4.5 规模对比

规模	width	depth	参数量	GFLOPs	mAP
n	0.25	0.33	—	—	—
s	0.50	0.33	—	—	—
m	0.75	0.67	—	—	—
l	1.00	1.00	—	—	—

---

5. 论文创新点的「包装话术」（按需取用）

• Contribution 1：首次将最新一代 YOLOv26 的 DFL-free / NMS-free 端到端检测头引入
  半监督目标检测，统一了「高效部署」与「标注高效」两个维度。
• Contribution 2：提出/适配 一对一(o2o) 分支的伪标签一致性，缓解传统 SSOD 中
  NMS 阈值敏感导致的伪标签噪声。
• Contribution 3：在半监督设定下系统消融 DFL / NMS-free / ProgLoss / STAL / MuSGD
  各组件，给出可复现的设计建议。

写作小贴士：审稿人讨厌「换了个 backbone 就说 SOTA」。多写为什么（机理分析），
多给消融和误差棒，少吹绝对数字。本仓库的模块化开关就是为这种写法准备的。

---

6. 避坑清单

坑	现象	解决
numpy 2.x	numpy.dtype size changed / _ARRAY_API not found	pip install "numpy<2"
没装 torchvision	No module named 'torchvision'	按 torch 1.12 对应版本装 torchvision
TAL 损失报 CUDA	CPU 上训练报错	TAL 损失需 GPU；CPU 只用于 selftest_yolov26.py 前向自测
半监督学生损失	与 anchor-free 头对齐问题	见改造说明书 §7.4：仓库原有缺口，先小数据验证学生分支

---

7. 资源

• 改造原理详解：docs/YOLOv26_改造说明书.md
• 项目说明：README.md
• 全监督配置：configs/sup/public/yolov26l_coco.yaml
• 半监督配置：configs/ssod/custom/yolov26_custom_ssod.yaml
• 前向自测：scripts/selftest_yolov26.py

觉得有用就点赞 + 收藏 + 关注三连~ 评论区交流你的数据集和实验结果。