一句话结论：YOLO26 的 ProgLoss 不是在“调参”，而是在双检测头并置的架构下，用一条随时间衰减的权重曲线，把训练早期的“稠密监督稳定性”和训练后期的“端到端推理一致性”在数学上焊接到了一起。理解这条曲线，比记住“ProgLoss 是渐进损失”有用得多。
一、为什么 YOLO26 比以往任何一代 YOLO 都更需要 ProgLoss
YOLO26 于 2026 年 1 月由 Ultralytics 正式发布，核心变化可以用四个字概括：去后处理。它移除了 DFL（Distribution Focal Loss），取消了推理阶段的 NMS，网络直接输出最终检测结果。这一刀砍下去，部署链路确实干净了——ONNX、TensorRT、CoreML 的导出不再需要为 DFL 和 NMS 做特殊适配——但训练端被推到了一个更苛刻的位置上。
问题出在双检测头的并置。YOLO26 的检测头同时包含一个一对多头和一个一对一头：前者在训练时提供稠密监督，一个 GT 可以匹配多个预测，梯度信号丰富、召回率高；后者是一对一稀疏监督，直接对齐推理时的行为，但一张图只有几十个正样本，梯度又少又噪。如果没有一套调度机制，这两个头的梯度会从训练第一步就开始互相拉扯：一对一头在初始化阶段权重过重，回归分支的梯度噪声足以让训练发散；反过来，如果一对多头始终主导，模型到后期又学不会“自信地只输出一个框”，端到端推理的精度就会塌陷。
ProgLo
