Ultralytics YOLO26 vs YOLO11 vs YOLOv8：你应该用哪一个？

前沿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释来自图像和视频的视觉数据，目前正被广泛部署在各种环境中。

从农业到制造业再到零售业，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流水线。

在实际使用中，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，并在不大幅增加成本的情况下进行扩展。这些限制使得性能成为一个多维问题，而不仅仅是关于准确性的问题。

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重要。速度、资源使用率和可扩展性等因素在系统随时间推移的表现中起着重要作用。

像Ultralytics YOLO models这样的计算机视觉模型在设计时就平衡了这些因素。例如，Ultralytics YOLOv8奠定了强大且多功能的基础，Ultralytics YOLO11通过提升速度和准确性更进一步，而Ultralytics YOLO26在此基础上更加轻量、快速且高效。

图 1. 使用 Ultralytics YOLO26 检测图像中的物体（来源）

在本文中，我们将对比 Ultralytics YOLO26、YOLO11 和 YOLOv8，以帮助你为计算机视觉项目选择合适的模型。让我们开始吧！

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，以更好地满足实际需求并使计算机视觉更易于访问。这些更新使模型变得更快、更高效且更易于部署，从而支持了视觉 AI 生态系统的增长。

它们还基于 PyTorch 构建，使其易于训练、自定义并集成到智能机器学习工作流中。Ultralytics YOLO 模型开箱即用，提供预训练模型，通常在如 COCO 数据集等数据集上进行训练，允许团队快速上手并针对特定用例进行微调。

除此之外，Ultralytics Python package通过提供内置支持，简化了将模型导出为 ONNX 和 TensorRT 等格式的部署流程。这使得跨不同硬件平台集成模型变得更加容易，从边缘设备到 GPU 加速系统皆可适用。

从 Ultralytics YOLOv5 到 Ultralytics YOLO26 的演进#

首个 Ultralytics YOLO 模型，即Ultralytics YOLOv5，以其可靠的目标检测能力而广受欢迎。它基于单阶段检测方法，能够在单次传递中进行快速的实时预测，非常适合生产工作流。

后来的更新引入了无锚 (anchor-free) 变体，模型直接预测对象位置而不是使用预定义的锚框，从而使检测更加灵活。然而，原始模型仍然主要集中在对象检测任务上。

在此基础上，Ultralytics YOLOv8 扩展了模型系列的范围。它没有仅仅关注对象检测，而是增加了对多个计算机视觉任务的支持，例如实例分割、图像分类、姿态估计和旋转边界框 (OBB) 检测。它还带来了架构改进，包括先进的主干和颈部设计，从而增强了特征提取和整体检测性能。

除此之外，YOLOv8n (Nano)、YOLOv8s (Small)、YOLOv8m (Medium)、YOLOv8l (Large) 和 YOLOv8x (Extra Large) 等变体使开发人员能够根据需要平衡速度、准确性和资源使用。这种更广泛的能力及其易用性，使其成为众多视觉应用的首选。

图 2. YOLOv8、YOLO11 和 YOLO26 等 YOLO 模型支持一系列视觉任务。

随后，Ultralytics YOLO11 专注于提升真实世界工作流中的性能，在提供更快推理速度的同时实现了更高的准确率。凭借更轻量的架构，它在边缘和云端环境中均表现出色，同时与现有的 YOLOv8 流水线保持兼容。

作为 Ultralytics YOLO 模型系列的最新成员，YOLO26 是一款最先进的模型，为边缘优先的视觉 AI 设定了新标准，为实际部署提供了一种更轻、更快、更高效的方法。它旨在高效运行于 CPU 和嵌入式系统上，同时简化了部署并提升了在广泛应用中的实时性能。

对比 YOLO26、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。让我们探讨一下 YOLO26、YOLO11 和 YOLOv8 在实际场景中是如何对比的。

Ultralytics YOLOv8 发布于 2023 年，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丰富教程、指南和社区资源的模型，YOLOv8 是一个极佳的起点。

2024 年，Ultralytics YOLO11 发布，在性能和效率方面均有提升。相比 YOLOv8，它在保持更小、更优化架构的同时，提供了更好的速度和准确率。这是一个更加均衡的模型，能够在不显著增加资源消耗的情况下在生产环境中稳定运行。

今年，Ultralytics YOLO26 作为最新迭代版本发布，专注于大规模的高效部署。它提供了更快的 CPU 推理和更高的资源利用率，使团队能够在相同的硬件上运行更多的工作负载。

例如，Ultralytics YOLO26 nano 模型在中央处理器（CPU）上的推理速度比 YOLO11 快达 43%，这使其成为边缘和资源受限环境的绝佳选择。这一点至关重要，因为传统设置通常严重依赖图形处理器（GPU），而这可能会带来高昂的成本且更难以扩展。

图 3. YOLO26 在 CPU 上的性能基准测试（来源）

总的来说，对于希望在性能、成本和可扩展性之间权衡优化的团队和个人来说，Ultralytics YOLO26 是一个稳健的选择。

深入了解 Ultralytics YOLO26#

Ultralytics YOLO26 是一款为真实世界部署而设计的最先进模型，在这里，效率、速度和可扩展性与准确性同样重要。它没有仅仅专注于提升基准测试性能，而是引入了架构和训练方面的变革，使得模型更易于运行、部署更快，并在不同的硬件环境中更加可靠。

这些改进对于边缘端和生产系统尤为重要，因为在这些场景中，计算资源受限、延迟限制和成本考量起着关键作用。通过简化推理并优化性能，Ultralytics YOLO26 让 AI 爱好者能够更高效地构建和扩展视觉应用。

以下是 Ultralytics YOLO26 部分核心特性的详细介绍：

• 端到端无 NMS 推理：关键变化之一是其无非极大值抑制（NMS）设计，它省去了后处理的需求。简而言之，模型直接输出最终预测结果。因此，延迟变得更可预测，部署也变得更容易。
• 移除 DFL：Ultralytics YOLO26 弃用了分布焦点损失（DFL）模块，转而采用更简单的边界框预测方法。这一改变与其端到端、无需 NMS 的设计相契合，降低了流水线复杂度并提升了部署的一致性。
• 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 Muon 启发式更新的混合优化器。这提高了训练的稳定性和收敛性，从而在不同模型尺寸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 帮助模型随着时间分阶段从数据集中学习，而 STAL 则确保在训练期间不会忽略小目标，从而改善复杂场景中的检测效果。

准确性与效率：超越基准，关注实际性能#

为了将 YOLO26、YOLO11 和 YOLOv8 之间的差异放在上下文中，让我们更好地了解驱动实际应用中模型性能的因素。

准确性通常由平均精度均值 (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，一旦模型从测试转入实际部署，仅有准确性是不够的。生产性能取决于模型大小、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，真实环境通常是不可预测的。光照条件可能会改变，物体可能部分可见，且输入数据可能与模型训练时的数据有显著差异。这些变化可能会影响模型在实践中的表现一致性。

图 4. Ultralytics YOLO26 在建筑工地等不可预测环境中使用的示例。

例如，考虑一个在智慧城市、零售店或仓库中部署数百个摄像头的场景。每个数据流都需要实时处理，通常需要一致的帧率（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，并增加了基础设施成本。

诸如 Ultralytics YOLO26 这样更高效率的模型，能够在相同的硬件上处理更多的视频流，从而更好地利用可用资源。这提升了整体系统效率，并使长期的部署扩展变得更加容易。

想要深入了解 YOLO26 与 YOLO11 和 YOLOv8 的区别，请查看官方 Ultralytics 文档。

关键要点#

Ultralytics YOLO 模型系列已经演进，以更好地匹配实际部署需求。每个版本都建立在前一个版本的基础上，日益关注效率、可扩展性和部署简易性。换句话说，如果你正在构建一个需要在规模化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 引入你的业务运营？查看我们的授权选项。你还可以访问我们的解决方案页面，了解制造业中的 AI 如何变革工厂，以及机器人中的视觉 AI 如何塑造未来。加入我们不断壮大的社区，并探索我们的GitHub 仓库以获取 AI 资源。