Ultralytics YOLO26、YOLO11 与 YOLOv8 对比：你该选哪个？
探索 Ultralytics YOLO26、Ultralytics YOLO11 和 Ultralytics YOLOv8，了解该为你的项目选择哪种计算机视觉模型。
由卷积神经网络 (CNN) 等技术驱动的尖端计算机视觉系统能够让机器分析和解读图像与视频中的视觉数据，如今已部署在各种环境中。
从农业到制造业和零售业，这些系统可以运行在各种部署环境中，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端流水线。
在实际应用中，部署这些模型并不总是那么简单。它们通常需要在算力有限的条件下运行，满足严格的延迟要求，并在不显著增加成本的情况下扩展规模。这些限制意味着性能是一个多维度问题，而不仅仅与准确性有关。
准确性依然重要，但模型能否在生产环境中高效运行也同样重要。速度、资源使用和可扩展性等因素，对系统长期运行表现有很大影响。
像 Ultralytics YOLO 模型这样的计算机视觉模型在不断发展，并兼顾了这些因素。例如，Ultralytics YOLOv8奠定了强大且通用的基础，Ultralytics YOLO11进一步提升了速度和准确性，而 Ultralytics YOLO26则在此基础上实现了前所未有的轻量、快速和高效。
图 1. 使用 Ultralytics YOLO26 检测图像中的物体（来源）
本文将比较 Ultralytics YOLO26、YOLO11 和 YOLOv8，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 模型的演进#
每一代 Ultralytics YOLO 模型都进行了改进，以更好地满足现实需求，并让计算机视觉变得更容易使用。这些更新让模型速度更快、效率更高，也更易于部署，从而推动视觉 AI 生态系统不断发展。
这些模型还基于 PyTorch 构建，因此易于训练、自定义，并能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，通常基于 COCO 数据集等数据集进行训练，让团队能够快速上手，并针对特定用例进行微调。
此外，Ultralytics Python 包提供对导出 ONNX 和 TensorRT 等格式的内置支持，从而简化部署。这样一来，你就能更轻松地将模型集成到不同的硬件平台中，从边缘设备到 GPU 加速系统皆可。
从 Ultralytics YOLOv5 发展到 Ultralytics YOLO26#
首个 Ultralytics YOLO 模型 Ultralytics YOLOv5凭借可靠的目标检测能力广受欢迎。它采用单阶段检测方法，可通过一次前向传递快速进行实时预测，因此非常适合生产工作流。
后续更新引入了无锚框变体。这类模型直接预测物体位置，而不是使用预定义的锚框，因此检测更加灵活。不过，最初的模型仍主要专注于目标检测任务。
在这一基础上，Ultralytics YOLOv8 扩展了模型系列的应用范围。它不再只专注于目标检测，还支持实例分割、图像分类、姿态估计和有向边界框 (OBB) 检测等多种计算机视觉任务。它还改进了架构，包括采用先进的主干网络和颈部网络设计，增强了特征提取能力和整体检测性能。
此外，YOLOv8n（Nano）、YOLOv8s（Small）、YOLOv8m（Medium）、YOLOv8l（Large）和 YOLOv8x（Extra Large）等变体让开发者能够根据需求灵活权衡速度、准确性和资源使用情况。这种更全面的能力，加上易用性，使其成为各种视觉应用的首选模型。
图 2. YOLOv8、YOLO11 和 YOLO26 等 YOLO 模型支持多种视觉任务。
随后推出的 Ultralytics YOLO11 着重提升了真实工作流中的性能，在提高准确性的同时加快了推理速度。其架构更加轻量，既适用于边缘环境，也适用于云环境，并且兼容现有的 YOLOv8 流水线。
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 树立了新标准，以更轻量、更快速、更高效的方式实现真实环境中的部署。它专为在 CPU 和嵌入式系统上高效运行而设计，同时简化部署，并提升各种应用中的实时性能。
比较 YOLO26、YOLO11 和 YOLOv8#
在进行计算机视觉项目时，你可能会遇到不同的 Ultralytics 模型，并想知道哪一款适合你的项目。下面我们来看看 YOLO26、YOLO11 和 YOLOv8 在真实场景中的表现有何不同。
Ultralytics YOLOv8 于 2023 年发布，此后一直广泛应用于计算机视觉社区。强大的社区支持和易用性使其成为许多团队过去的首选模型。如果你想寻找一款文档完善、教程、指南和社区资源丰富的模型，YOLOv8 是一个很好的起点。
2024 年，Ultralytics YOLO11 问世，在性能和效率方面均有所提升。与 YOLOv8 相比，它速度更快、准确性更高，同时采用更小、更优化的架构。这款模型的整体表现更加均衡，能够可靠地用于生产环境，而不会显著增加资源使用量。
今年，最新一代 Ultralytics YOLO26 发布，重点提升大规模部署效率。它提供更快的 CPU 推理速度和更高的资源利用率，让团队能够在相同硬件上运行更多工作负载。
例如，Ultralytics YOLO26 nano 模型在中央处理器 (CPU) 上的推理速度最高可比 YOLO11 快 43%，因此非常适合边缘环境和资源受限的环境。这一点尤其重要，因为传统方案通常严重依赖图形处理器 (GPUs)，而这类设备成本可能较高，也更难扩展。
图 3. YOLO26 在 CPU 上的性能基准测试（来源）
总的来说，对于希望优化性能、成本和可扩展性之间权衡的团队和个人，Ultralytics YOLO26 是一个可靠的选择。
深入了解 Ultralytics YOLO26#
Ultralytics YOLO26 是一款专为真实场景部署打造的先进模型，在这些场景中，效率、速度和可扩展性与准确率同样重要。它不只专注于提升基准测试表现，还通过架构和训练方面的改进，让模型更易运行、部署更快，并且在不同硬件环境中更加可靠。
这些改进对边缘设备和生产系统尤其重要，因为计算资源有限、延迟受限和成本考量都发挥着关键作用。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。
下面进一步介绍 Ultralytics YOLO26 的一些关键特性：
- 端到端无 NMS 推理：一项关键改进是其无需非极大值抑制（NMS）的设计，它省去了后处理步骤。简单来说，模型会直接生成最终预测结果。因此，延迟变得更可预测，部署也更容易。
- 移除 DFL：Ultralytics YOLO26 不再采用分布式焦点损失（DFL）模块，转而使用更简单的边界框预测方法。这项改动与其端到端、无 NMS 的设计相契合，降低了流水线的复杂性，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，这是一种结合随机梯度下降（SGD）与受 Muon 启发的更新方式的混合优化器。它能提升训练稳定性和收敛效果，使优化过程更平稳，并让不同模型规模的表现更加一致。
- ProgLoss 和 STAL：这些训练创新——渐进式损失平衡（ProgLoss）和小目标感知标签分配（STAL）——让模型更加稳定可靠。ProgLoss 帮助模型随着时间推移分阶段从数据集中学习，而 STAL 确保训练时不会忽略小目标，从而提升模型在复杂场景中的检测能力。
准确率与效率：超越基准测试，关注真实场景表现#
为了更好地了解 YOLO26、YOLO11 和 YOLOv8 之间的差异，我们先来看看影响模型在真实场景中表现的因素。
长期以来，准确率一直是评估计算机视觉模型的重要指标，通常通过平均精度均值（mAP）等性能指标来衡量。它能反映模型在标准化条件下的表现，在比较不同版本时很有用。
然而，模型从测试走向真实场景部署后，光有准确率还不够。生产环境中的表现取决于模型大小、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的扩展能力等因素。
与受控的基准测试不同，真实环境往往难以预测。光照条件可能变化，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存在显著差异。这些变化会影响模型在实际应用中的表现一致性。
图 4. Ultralytics YOLO26 在建筑工地等难以预测的环境中的应用示例。
例如，设想在智慧城市、零售店或仓库中部署数百台摄像头。每路视频流都需要实时处理，通常还要保持稳定的帧率（每秒帧数，或 FPS），以避免延迟或丢帧。
效率较低的模型在同一系统上能处理的并发视频流更少，这意味着扩展通常需要额外硬件，并会增加基础设施成本。
像 Ultralytics YOLO26 这样的高效模型，可以在相同硬件上处理更多视频流，更充分地利用现有资源。这能提升系统的整体效率，也让部署更容易逐步扩展。
想深入了解 YOLO26、YOLO11 和 YOLOv8 的对比，请查看Ultralytics 官方文档。
要点#
Ultralytics YOLO 模型系列不断演进，以更好地满足真实场景部署需求。每个版本都在前一版本的基础上不断改进，更加注重效率、可扩展性和部署便利性。换句话说，如果你正在构建一个需要可靠、大规模运行的实时检测应用，Ultralytics YOLO26 是理想之选。
想把视觉 AI 引入你的业务？查看我们的许可选项。你也可以访问我们的解决方案页面，了解制造业 AI如何改变工厂，以及机器人视觉 AI如何塑造未来。加入不断壮大的社区，并访问我们的 GitHub 代码库，探索 AI 资源。
