将 Ultralytics YOLO11 与之前的 YOLO 模型进行比较

从日常任务的自动化到协助实时做出明智决策，人工智能（AI）正在重塑各个行业的未来。AI 领域中一个特别迷人的方向是计算机视觉，也就是视觉 AI。它专注于让机器能够像人类一样分析和解读视觉数据。

具体而言，计算机视觉模型正在推动创新，从而提升安全性与效率。例如，这些模型被用于自动驾驶汽车中以检测行人，以及用于安全摄像头中全天候监控场所。

最广为人知的计算机视觉模型之一就是 YOLO (You Only Look Once) 模型，它以其实时目标检测能力而闻名。随着时间的推移，YOLO 模型不断改进，每一个新版本都提供了更好的性能和更强的灵活性。

像 Ultralytics YOLO11 这样的较新版本能够处理各种任务，如实例分割、图像分类、姿态估计和多目标跟踪，并且具有比以往更高的准确度、速度和精度。

在本文中，我们将对比 Ultralytics YOLOv8、YOLOv9、YOLOv10 和 Ultralytics YOLO11，以便更好地了解这些模型是如何演进的。我们将分析它们的核心特征、基准测试结果以及性能差异。我们开始吧！

Ultralytics YOLOv8 概述#

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，与之前的 YOLO 模型相比，它迈出了重要的一步。它针对实时且准确的检测进行了优化，结合了经过充分验证的方法与创新更新，从而带来了更好的结果。

除了object detection之外，它还支持以下计算机视觉任务：实例分割、姿态估计、旋转边界框 (OBB) 目标检测和图像分类。Ultralytics YOLOv8 的另一个重要特性是它提供五种不同的模型变体——Nano、Small、Medium、Large 和 X——因此你可以根据需要选择速度和准确率的最佳平衡。

由于其多功能性和强劲的性能，Ultralytics YOLOv8 可用于许多现实世界的应用，例如安防系统、智慧城市、医疗保健和工业自动化。

图 1。使用 YOLOv8 进行智慧城市停车管理。

Ultralytics YOLOv8 的核心特性#

以下是 Ultralytics YOLOv8 其他一些核心功能的详细介绍：

• 增强的检测架构：Ultralytics YOLOv8 采用了改进的 CSPDarknet 主干网络。该主干网络针对特征提取进行了优化——特征提取是指从输入图像中识别并捕捉重要模式或细节的过程，有助于模型做出准确预测。
• 检测头：它采用无锚框、解耦的设计，这意味着它不依赖预设的边界框形状（锚框），而是直接学习预测目标位置。由于采用了解耦设置，对目标进行分类以及预测目标位置（回归）的任务是分开处理的，这有助于提高准确度并加速训练。
• 准确性与速度的平衡：该模型在实现令人印象深刻的准确性的同时，保持了快速的推理时间，使其适用于云端和边缘计算环境。
• 用户友好：YOLOv8 旨在让用户轻松上手——使用 Ultralytics Python 软件包，你只需几分钟即可开始预测并看到结果。

YOLOv9 专注于计算效率#

YOLOv9 于 2024 年 2 月 21 日发布，由中国台湾“中央研究院”资讯科学研究所的王建尧（Chien-Yao Wang）和廖弘源（Hong-Yuan Mark Liao）共同推出。它支持目标检测和实例分割等任务。

该模型基于 Ultralytics YOLOv5 构建，并引入了两项重大创新：可编程梯度信息（PGI）和广义高效层聚合网络（GELAN）。

PGI 帮助 YOLOv9 在数据通过网络层时保留关键信息，从而产生更准确的结果。同时，GELAN 改进了模型利用其层级的方式，提升了性能和计算效率。得益于这些升级，YOLOv9 可以在计算资源通常受限的边缘设备和移动应用上执行实时任务。

图 2。了解 GELAN 如何提高 YOLOv9 的准确度。

YOLOv9 的关键特性#

以下是 YOLOv9 其他一些关键特性的简介：

• 高精度与高效率：YOLOv9 提供了高检测准确度且不消耗大量计算资源，使其成为资源受限情况下的理想选择。
• 轻量化模型：YOLOv9 的轻量化模型变体专为边缘和移动端部署而优化。
• 易于使用：YOLOv9 由 Ultralytics Python 软件包支持，因此无论你使用代码还是命令行，都能在不同环境中轻松设置和运行。

YOLOv10 实现了无需 NMS 的目标检测#

YOLOv10 由清华大学研究人员于 2024 年 5 月 23 日推出，专注于实时目标检测。它通过消除对非极大值抑制 (NMS) 的需求（这是一种用于消除重复检测的后处理步骤）并改进整体模型设计，解决了早期 YOLO 版本中的局限性。这使得目标检测更快、更高效，同时仍然实现了行业领先的准确度。

实现这一点的关键部分是一种称为“一致性双标签分配”的训练方法。它结合了两种策略：一种允许对同一个目标进行多个预测学习（一对多），另一种专注于选择最佳的单一预测（一对一）。由于这两种策略遵循相同的匹配规则，模型能够自行学会避免重复，因此不再需要 NMS。

图 3。YOLOv10 使用一致的双标签分配来实现无 NMS 训练。

YOLOv10 的架构还使用了改进的 CSPNet 主干网络来更有效地学习特征，并使用 PAN (Path Aggregation Network) 颈部结构结合来自不同层的信息，使其在检测小物体和大物体方面表现更好。这些改进使得 YOLOv10 能够应用于制造业、零售业和自动驾驶等现实场景。

YOLOv10 的关键特性#

以下是 YOLOv10 的一些其他突出特性：

• 大核卷积：该模型使用大核卷积来捕获图像中更广阔区域的更多上下文信息，帮助它更好地理解整体场景。

• 部分自注意力模块：模型集成了部分自注意力模块，以便在不消耗过多计算资源的情况下专注于图像中最重要的部分，从而高效地提升性能。

• 独特的模型变体：除了常规的 YOLOv10 尺寸（Nano、Small、Medium、Large 和 X）外，还有一个名为 YOLOv10b (Balanced) 的特殊版本。它是一个更宽的模型，意味着它在每一层处理更多的特征，这有助于在平衡速度和尺寸的同时提高准确性。

• 用户友好：YOLOv10 与 Ultralytics Python 软件包兼容，使用起来非常方便。

Ultralytics YOLO11：提升速度与准确性#

今年 9 月 30 日，Ultralytics 在其年度混合活动视觉 YOLO 2024 (YV24) 上正式推出了 YOLOv 系列的最新模型之一——YOLO11。

此版本比以往版本有了显著改进。Ultralytics YOLO11 速度更快、更准确且效率极高。它支持 YOLOv8 用户熟悉的全部计算机视觉任务，包括目标检测、实例分割和图像分类。它还保持了与 YOLOv8 工作流的兼容性，使用户能够轻松顺利地过渡到新版本。

除此之外，Ultralytics YOLO11 旨在满足广泛的计算需求——从轻量级边缘设备到强大的云端系统。该模型提供开源版和企业版，使其能够适应不同的使用场景。

它是医疗影像和卫星检测等高精度任务的绝佳选择，同时也适用于自动驾驶车辆、农业和医疗保健等更广泛的应用领域。

图 4。使用 Ultralytics YOLO11 进行流量检测、计数和跟踪。

Ultralytics YOLO11 的核心特性#

以下是 Ultralytics YOLO11 的其他一些独特功能：

• 快速高效的检测：Ultralytics YOLO11 配备了专为实现最小延迟而设计的检测头，专注于最终预测层的速度，同时不妥协性能。
• 改进的特征提取：经过优化的主干网络和颈部架构增强了特征提取能力，从而带来更精确的预测。
• 跨平台无缝部署：Ultralytics YOLO11 经过优化，能够在边缘设备、云平台和 NVIDIA GPU 上高效运行，确保了对不同环境的适应性。

在 COCO 数据集上对 YOLO 模型进行基准测试#

在探索不同模型时，仅凭功能来对比它们往往并不容易。这就是基准测试发挥作用的地方。通过在相同的数据集上运行所有模型，我们可以客观地衡量和对比它们的性能。让我们来看看每个模型在 COCO 数据集上的表现如何。

在比较 YOLO 模型时，每一个新版本在准确性、速度和灵活性方面都带来了显著的改进。特别是 YOLO11m，它迈出了重要的一步，其参数量比 YOLOv8m 少 22%，这意味着它更轻量且运行速度更快。此外，尽管尺寸更小，它在 COCO 数据集上却实现了更高的平均精度均值 (mAP)。该指标衡量了模型检测和定位目标的水平，因此更高的 mAP 意味着更准确的预测。

图 5。在 COCO 数据集上对 YOLO11 及其他 YOLO 模型进行基准测试。

在视频上测试和比较 YOLO 模型#

让我们探索这些模型在现实情况下的表现。

为了对比 YOLOv8、YOLOv9、YOLOv10 和 YOLO11，这四个模型都在相同的交通视频上运行，置信度设为 0.3（只有当模型对正确识别目标有至少 30% 的把握时才会显示检测结果），图像大小设为 640，以进行公平评估。目标检测和跟踪结果突出了它们在检测准确度、速度和精度方面的关键差异。

从第一帧开始，YOLO11 就识别出了 YOLOv10 错过的卡车等大型车辆。YOLOv8 和 YOLOv9 表现不错，但会根据光照条件和目标尺寸而有所波动。较小且遥远的车辆对所有模型来说都是一个挑战，尽管 YOLO11 在这些检测方面也表现出了明显的改进。

图 6。对比 YOLOv8、YOLOv9、YOLOv10 和 YOLO11。

在速度方面，所有模型的运行时间都在每帧 10 到 20 毫秒之间，速度足以处理每秒超过 50 帧（FPS）的实时任务。一方面，Ultralytics YOLOv8 和 YOLOv9 在整个视频中提供了稳定可靠的检测。有趣的是，专为更低延迟设计的 YOLOv10 速度更快，但在检测某些对象类型时表现出一些不稳定性。

相比之下，Ultralytics YOLO11 以其精确度脱颖而出，在速度和准确度之间提供了极佳的平衡。尽管没有任何模型在每一帧中都表现完美，但对比测试清楚地表明，YOLO11 提供了最佳的整体性能。

哪种 YOLO 模型最适合计算机视觉任务？#

为项目选择模型取决于其具体需求。例如，有些应用可能优先考虑速度，而另一些则可能需要更高的准确性，或者面临影响决策的部署约束。

另一个重要因素是你需要解决的计算机视觉任务类型。如果你正在寻求不同任务间的广泛灵活性，YOLOv8 和 YOLO11 都是不错的选择。

选择 YOLOv8 还是 YOLO11 确实取决于你的需求。如果你是计算机视觉的新手，并且看重更大的社区、更多的教程以及丰富的第三方集成，那么 YOLOv8 是一个稳妥的选择。

另一方面，如果你正在寻找具备更好准确率和速度的前沿性能，Ultralytics YOLO11 是更好的选择，尽管由于发布时间较晚，其社区规模相对较小，集成也较少。

关键要点#

从 Ultralytics YOLOv8 到 Ultralytics YOLO11，YOLO 模型系列的演进反映了向更智能的计算机视觉模型不断迈进的趋势。每一个版本的 YOLO 在速度、准确性和精度方面都带来了实质性的升级。

随着计算机视觉的不断进步，这些模型为从目标检测到自动驾驶系统等现实挑战提供了可靠的解决方案。YOLO 模型的持续发展展示了该领域的巨大进步，我们有理由在未来期待更多成果。

要了解有关 AI 的更多信息，请访问我们的 GitHub 仓库并与我们的社区互动。探索各行各业的技术进步，从制造业中的视觉 AI 到医疗保健中的计算机视觉。查看我们的授权选项，立即开启你的视觉 AI 项目。