webAI 發布 YOLO26-MLX，實現 Apple Silicon 原生高效能電腦視覺

webAI 發布 YOLO26-MLX，實現 Apple Silicon 原生高效能電腦視覺。

webAI 開源了 YOLO26-MLX，這是一套專為 Apple Silicon 設計的 YOLO26 原生實作，無需 PyTorch 執行環境即可在 Mac 上進行高效能的訓練與推論。此舉旨在打破以往電腦視覺模型必須依賴 Linux 與重型機器學習框架的限制，讓開發者能直接在 Mac 硬體上進行模型開發與部署。

效能與架構優勢
YOLO26-MLX 徹底擺脫了對 PyTorch 執行環境的依賴，直接利用 Apple 的 MLX 框架進行開發，實現了與 Apple Silicon 的深度整合。

• 效能顯著提升：在 Apple M4 Pro 的內部基準測試中，推論速度提升達 1.1 至 2.6 倍，訓練速度提升約 1.7 倍。
• 架構設計：採用 End to End (端到端) 的偵測模型，移除了傳統的非極大值抑制 (NMS) 步驟，簡化了部署流程並降低了延遲。
• 資源利用：透過 MLX 的統一記憶體架構，開發者能更有效地利用 CPU 與 GPU 資源，實現高效的本地端模型運作。

精準度與功能完整性
儘管追求效能，該實作在精準度上並未妥協，在 COCO val2017 資料集上的驗證結果顯示，其 mAP 與官方 YOLO26 模型差距在 0.2% 以內，最大偏差僅 0.5%。

• 功能全面：專案不僅包含完整的訓練與推論管線，還整合了基準測試、驗證工具，以及將現有 YOLO 權重轉換為 MLX 格式的工具。
• 新增多物件追蹤：支援 ByteTrack 與 BoT-SORT 追蹤器，並具備純 MLX 實作的卡爾曼濾波器，適合需要即時追蹤的應用場景。
• 彈性配置：支援完整的 YOLO26 模型家族，從適合嵌入式裝置的輕量化模型 (n, s) 到高精準度的大型架構 (m, l, x) 皆可使用。

開發者體驗與應用場景
此專案降低了邊緣 AI 開發的門檻，讓開發者能直接在 Mac 上進行模型迭代，無需轉向 Linux 或依賴外部 GPU 基礎設施。

• 簡化部署：開發者只需透過簡單的步驟，即可完成模型下載、轉換與執行，大幅縮短從模型到生產環境的週期。
• 實作透明：該專案為 YOLO26 的原生 MLX 實作，而非僅是現有框架的封裝，這使得開發者能更深入地理解並優化模型在 Apple 硬體上的表現。
• 應用廣泛：無論是進行即時物件偵測、多物件追蹤，還是針對特定領域進行模型微調，YOLO26-MLX 都提供了一套完整的解決方案。