Ultralytics 基准测试

训练方法论

我们使用训练吞吐量（即训练期间每秒处理的图像数量）作为衡量标准；它与解决方案所需时间直接相关。每个结果都是在 Ultralytics Platform GPU 上测量的——这就是你一键租用进行云端训练的 NVIDIA 硬件，从入门级工作站显卡到旗舰级数据中心 GPU。我们训练了全部五种尺寸（n/s/m/l/x）的 YOLO26，方便你根据硬件预算匹配模型。

设置。 在 640px 分辨率下，使用 25% 的 COCO 数据集训练 2 个 epoch，采用 AMP 混合精度、单 GPU，并使用 auto-batch (batch=-1) 自动选择内存能容纳的最大 batch。我们报告第二个 epoch 的稳态数据，排除了第一个 epoch 的预热（数据集缓存、CUDA 图捕获）和运行结束时的验证过程。最终的 batch size、峰值 VRAM（包括 CUDA 上下文）和峰值板载功耗均直接从每个 GPU 记录。

成本效率。 每美元处理的图像数 = 吞吐量 × 3600 ÷ 每小时价格，采用 Ultralytics Platform 按需计费价格——这通常会大幅改变排名，因为性价比显卡每美元产生的价值往往高于旗舰级 GPU。在 ultralytics 8.4.68、torch 2.8、CUDA 12.8 环境下测量。另请参阅 Train 和 Benchmark 模式文档。

推理方法论

我们使用推理延迟（即 batch 1 下每张图像的毫秒数）作为衡量标准；这是实时部署所关心的核心指标。每种 YOLO26 尺寸都被导出为所示的格式和精度，然后我们在你进行部署时所使用的同一款 Ultralytics Platform GPU 上，对稳态预测进行计时（排除预热，运行时间采用 sigma 裁剪）。

格式与精度。 在 NVIDIA GPU 上：PyTorch FP16、ONNX FP16 和 TensorRT FP16/INT8（通过 NVIDIA ModelOpt 的 TensorRT 11.1.0.106）。INT8 在 COCO128 上进行校准；精度（COCO val2017 上的 mAP50-95）每种格式/精度测量一次并按行显示，因此速度与精度的权衡非常明确。INT8 在较大、计算受限的模型上收益最高——在最小的模型上，其量化开销可能与 FP16 持平或稍显逊色。ONNX 推理在 Ada/Ampere/Hopper GPU 上运行（onnxruntime 尚无 Blackwell 内核）。

Apple Silicon。 Mac 设备（例如 Apple M5 Pro）在本地进行性能分析并合并到表格中——选择一种格式即可将其与云端 GPU 直接比较，或按 Apple Silicon 代次筛选。CoreML 在 Neural Engine（苹果最快的路径，约为 CPU 的 3 倍）上运行，PyTorch 在 MPS GPU 上运行，ONNX 在 CPU 上运行；每一行的 Backend 列指明了运行时环境。CoreML 使用 coremltools 在 ANE 上计时——这是相对于主机的屏幕计时，而非 iPhone 设备数据。自有硬件没有租赁价格，因此成本效率（每美元图像数）仅针对 GPU 计算。

成本效率。 每美元推理次数 = FPS × 3600 ÷ 每小时价格，采用 Ultralytics Platform 按需计费价格。在 ultralytics 8.4.71、torch 2.12、CUDA 13.2 环境下测量。另请参阅 Predict 和 Benchmark 模式文档。