YOLO26的ProgLoss渐进式损失平衡源码解读：训练稳定性是如何被保障的？

前言：当“端到端”成为一把双刃剑

2026年1月14日，Ultralytics在伦敦YOLO Vision 2025（YV25）大会上正式发布了YOLO26。由Glenn Jocher和Jing Qiu主导开发，这个版本被官方定义为“YOLO家族的一次巨大代际飞跃”。

如果你第一时间下载了源码并尝试训练，可能会注意到一个细节：训练日志里再也看不到DFL（Distribution Focal Loss）的身影了，取而代之的是一套全新的损失平衡机制——ProgLoss（Progressive Loss Balancing，渐进式损失平衡）。

但问题是：ProgLoss到底是什么？它是如何在代码层面实现的？它凭什么能让YOLO26的训练更稳定？

本文核心观点：YOLO26通过ProgLoss渐进式损失平衡机制，在端到端无NMS架构的训练过程中，动态调节双头（one-to-many与one-to-one）的损失权重，从根本上解决了端到端训练中“训练目标与推理行为不一致”这一长期痛点。

本文将带你逐行拆解ProgLoss的源码实现，并深入探讨它如何与STAL、MuSGD协同工作，保障训练稳定性。

一、背景：YOLO26为什么要重新思考训练方式？

1.1 端到端架构的“代价”

YOLO26