Ultralytics YOLO26 对比 YOLO11 对比 YOLOv8：你应该使用哪一个？
探索 Ultralytics YOLO26、Ultralytics YOLO11 与 Ultralytics YOLOv8 的区别，并发现你应该为项目选择哪种计算机视觉模型。
尖端的 计算机视觉 系统通常由卷积神经网络 (CNN) 驱动，使机器能够分析和解读来自图像和视频的视觉数据，目前已被部署在广泛的环境中。
从农业到制造业和零售业，这些系统运行在多种部署环境中，包括边缘设备、嵌入式硬件、物联网 (IoT) 设备、设备端处理，以及支持实时应用的大规模云管道。
在实际应用中，部署这些模型并不总是那么简单。它们通常需要在有限的计算资源下运行，满足严格的延迟要求，并在不显著增加成本的情况下实现扩展。这些限制使得性能问题成为一个多维度的问题，而不仅仅关乎准确性。
虽然准确性仍然很重要，但模型在生产环境中高效运行同样关键。速度、资源使用率和可扩展性等因素在系统随时间的性能表现中发挥着重要作用。
像 Ultralytics YOLO 模型 这样的计算机视觉模型在设计时就考虑了这种平衡。例如，Ultralytics YOLOv8 建立了强大且通用的基础，Ultralytics YOLO11 通过提高速度和准确性进一步推进了这一发展，而 Ultralytics YOLO26 则在此基础上变得更轻量、更快、更高效。
图 1. 使用 Ultralytics YOLO26 检测图像中的物体 (来源)
在本文中，我们将比较 Ultralytics YOLO26、YOLO11 和 YOLOv8，以帮助你为你的计算机视觉项目选择合适的模型。让我们开始吧！
Link to this section了解 Ultralytics YOLO 模型是如何演进的#
Ultralytics YOLO 模型的每一次迭代都引入了改进，以更好地满足现实世界的需求，并使计算机视觉更易于访问。这些更新使模型更快、更高效、更易于部署，从而支持了视觉 AI 生态系统的增长。
它们还基于 PyTorch 构建，使得训练、定制和集成到智能机器学习工作流程中变得简单。Ultralytics YOLO 模型开箱即用，提供预训练模型（通常在 COCO 数据集等数据集上训练），允许团队快速上手并针对特定用例进行微调。
此外，Ultralytics Python 软件包 简化了部署，提供了对将模型导出为 ONNX 和 TensorRT 等格式的内置支持。这使得在不同硬件平台（从边缘设备到 GPU 加速系统）上集成模型变得更加容易。
Link to this section从 Ultralytics YOLOv5 到 Ultralytics YOLO26 的演进#
首款 Ultralytics YOLO 模型 Ultralytics YOLOv5 因其可靠的对象检测能力而广受欢迎。它基于单阶段检测方法，能够实现快速的实时预测，非常适合生产工作流程。
后续更新引入了无锚 (anchor-free) 变体，模型直接预测物体位置而不是使用预定义的锚框，从而使检测更加灵活。然而，原始模型仍然主要专注于对象检测任务。
在这一基础上，YOLOv8 扩展了模型系列的范围。它不再仅仅关注对象检测，还增加了对多种 计算机视觉任务 的支持，例如实例分割、图像分类、姿态估计和定向边界框 (OBB) 检测。它还带来了架构改进，包括先进的骨干网和颈部设计，增强了特征提取和整体检测性能。
此外，YOLOv8n (Nano)、YOLOv8s (Small)、YOLOv8m (Medium)、YOLOv8l (Large) 和 YOLOv8x (Extra Large) 等变体使开发者能够根据自身需求平衡速度、准确性和资源使用。这种更广泛的能力，加上其易用性，使其成为各种视觉应用的首选。
图 2. 像 YOLOv8、YOLO11 和 YOLO26 这样的 YOLO 模型支持多种视觉任务。
随后，YOLO11 专注于改进现实工作流程中的性能，在提供更高准确性的同时提高了推理速度。凭借更轻量的架构，它在边缘和云环境中都能很好地工作，并且与现有的 YOLOv8 管道兼容。
作为 Ultralytics YOLO 模型系列的最新成员，YOLO26 是一款最先进的模型，它为边缘优先的视觉 AI 树立了新标准，为现实世界的部署提供了一种更轻量、更快且更高效的方法。它旨在高效运行于 CPU 和嵌入式系统上，同时简化部署并提升各种应用场景下的实时性能。
Link to this section比较 YOLO26 与 YOLO11 与 YOLOv8#
在进行计算机视觉项目时，你可能会遇到不同的 Ultralytics 模型，并想知道哪一个适合你的项目。让我们来详细了解 YOLO26、YOLO11 和 YOLOv8 在实际场景中的比较。
YOLOv8 于 2023 年发布，此后被计算机视觉社区广泛使用。其强大的社区支持和易用性使其成为过去许多团队的首选模型。如果你正在寻找一个文档完善且拥有大量教程、指南和社区资源的模型，YOLOv8 是一个很好的切入点。
2024 年，YOLO11 发布，在性能和效率方面均有改进。与 YOLOv8 相比，它提供了更好的速度和准确性，同时保持了更小且经过优化的架构。它是一个更均衡的模型，能够在不显著增加资源占用的情况下可靠地在生产中运行。
今年，YOLO26 作为最新迭代发布，专注于大规模的高效部署。它提供了更快的 CPU 推理能力和改进的资源利用率，使团队能够在相同的硬件上运行更多的工作负载。
例如，YOLO26 nano 模型在中央处理器 (CPU) 上的推理速度比 YOLO11 快 43%，使其成为边缘和资源受限环境的绝佳选择。这一点尤为关键，因为传统架构通常严重依赖图形处理器 (GPU)，而 GPU 可能成本高昂且难以扩展。
图 3. 基准测试：YOLO26 在 CPU 上的表现 (来源)
总的来说，对于寻求优化性能、成本和可扩展性之间权衡的团队和个人，YOLO26 是一个稳健的选择。
Link to this section深入了解 Ultralytics YOLO26#
YOLO26 是一款为现实部署而设计的最先进模型，在现实部署中，效率、速度和可扩展性与准确性同样重要。它不仅仅专注于提升基准性能，还引入了架构和训练方面的变革，使模型更易于运行、部署更快，并在不同硬件环境中表现更可靠。
这些改进对于边缘和生产系统尤为重要，因为在这些系统中，有限的计算资源、延迟限制和成本考量起着关键作用。通过简化推理和优化性能，YOLO26 使 AI 爱好者能够更高效地构建和扩展视觉应用。
以下是 YOLO26 一些关键特性的详细介绍：
- 端到端无需 NMS 的推理：关键的改变之一是其 无需非极大值抑制 (NMS) 的设计，消除了对后处理的需求。简单来说，模型直接生成最终预测。因此，延迟变得更加可预测，部署也变得更容易。
- DFL 移除：YOLO26 放弃了分布焦点损失 (DFL) 模块，转向更简单的边界框预测方法。这一改变与其实端到端、无 NMS 的设计相一致，降低了管道的复杂性并提高了部署的一致性。
- MuSGD 优化器：最新的 Ultralytics YOLO 模型引入了 MuSGD，这是一种结合了随机梯度下降 (SGD) 和受 Muon 启发的更新的混合优化器。这提高了训练的稳定性和收敛性，从而在不同模型大小下实现更平滑的优化和更一致的表现。
- ProgLoss 和 STAL：这些 训练创新，即渐进式损失平衡 (ProgLoss) 和小目标感知标签分配 (STAL)，使模型更加稳定和可靠。ProgLoss 帮助模型分阶段从数据集中学习，而 STAL 则确保训练过程中不会忽略小目标，从而提高了在复杂场景中的检测效果。
Link to this section准确性与效率：超越基准测试，关注实际性能#
为了将 YOLO26、YOLO11 和 YOLOv8 之间的差异置于背景中讨论，让我们更好地了解推动模型在现实应用中表现的因素。
准确性（通常通过平均准确率均值 (mAP) 等性能指标衡量）长期以来一直是评估计算机视觉模型的重要方式。它展示了模型在标准化条件下的表现，在比较不同版本时非常有用。
然而，一旦模型从测试转向现实世界的部署，仅仅有准确性是不够的。生产性能取决于诸如模型大小、推理时间或延迟、计算资源使用情况以及系统在不同环境中扩展的能力等因素。
与受控的基准测试不同，现实环境通常是不可预测的。光照条件会变化，物体可能被部分遮挡，输入数据也可能与模型训练时的数据有很大差异。这些变化可能会影响模型在实际操作中的稳定性。
图 4. YOLO26 在建筑工地等不可预测环境中的应用示例。
例如，考虑一个在智慧城市、零售店或仓库中配备数百台摄像头的系统。每个数据流都需要实时处理，通常需要稳定的帧率（每秒帧数，或 FPS）以避免延迟或丢帧。
效率较低的模型在给定系统上能处理的并发数据流较少，这意味着扩展通常需要额外的硬件，从而增加了基础设施成本。
更高效的模型（如 YOLO26）可以在相同的硬件上处理更多的数据流，从而更好地利用可用资源。这提高了整个系统的效率，并使后续的部署扩展变得更容易。
要深入了解 YOLO26 与 YOLO11 与 YOLOv8 的对比，请查看 Ultralytics 官方文档。
Link to this section主要收获#
Ultralytics YOLO 模型系列经过演进，已能更好地匹配现实世界的部署需求。每个版本都在前一个版本的基础上进行构建，越来越关注效率、可扩展性和部署的简易性。换句话说，如果你正在构建一个需要在大规模环境下可靠运行的实时检测应用，Ultralytics YOLO26 是一个完美的选择。
想要将视觉 AI 引入你的业务吗？请查看我们的 许可选项。你还可以访问我们的解决方案页面，了解 制造业中的 AI 如何改变工厂，以及 机器人技术中的视觉 AI 如何塑造未来。欢迎加入我们不断壮大的 社区，并探索我们的 GitHub 仓库 以获取更多 AI 资源。
