yolo26-face

基于 ultralytics v8.4.143 的 YOLO26 人脸检测 + 5 关键点（landmark）。

WIDER FACE 结果

val 集，640 单尺度，标准协议（widerface_evaluate）：

Method	Test Size	Easy	Medium	Hard
yolo26n-face	640	93.95	91.58	80.12
yolo26s-face	640	95.52	93.80	83.35
yolo26m-face	640	96.31	94.86	85.13

• Hard 全面超过 yolov8-face 同档（79.6 / 83.1 / 84.7），Easy/Medium 基本持平；
• 无 DFL（reg_max=1），推理无需分布展开，对 CPU/NPU 等嵌入式部署友好；
• 训练只使用标准 WIDER FACE train，无需额外数据。

模型权重

模型	参数量	权重下载
yolo26n-face	2.80M	Google Drive
yolo26s-face	10.58M	Google Drive
yolo26m-face	23.54M	Google Drive

特性

• YOLO26 架构：无 DFL、E2E 双头（yolo26n 支持 NMS-free 推理）、MuSGD 优化器、ReLU 友好部署
• 5 关键点输出，可直接用于人脸对齐等下游任务
• vendored ultralytics：升级到 v8.4.143 并修复 torch 1.8.x 容器下的 DDP 验证兼容性（all_gather_object、ReduceOp.AVG）
• 导出适配：Pose26 支持 9 路原始输出（box/cls/kpts 分离），便于 RKNN/NPU 端解码

训练

# n 档（其他规模替换 yaml 即可）
python abl/train_abl.py --name yolo26n-face --device 0 --model yolo26n-face-e2e.yaml --weights yolo26n.pt --epochs 500

• 数据：标准 WIDER FACE train（YOLO pose 格式，5 关键点），ultralytics/cfg/datasets/widerface.yaml
• 配方：imgsz 640，batch 16，cos_lr，MuSGD（optimizer=auto），COCO 预训练权重起步
• 最佳 epoch 一般在 255~328，使用 best.pt 即可

评测

# 标准 NMS 协议（与 published 结果可比）
python test_widerface.py --weights runs/release/yolo26n-face/weights/best.pt
python widerface_evaluate/evaluation.py -p widerface_txt/xxx/

数据集准备与官方评测工具见 widerface_evaluate。