开始使用

模型对比

选择合适的神经网络架构是任何成功的计算机视觉项目的基石。Ultralytics 模型对比中心汇集了详细的技术分析和性能基准测试,涵盖最新的 Ultralytics YOLO26 与 YOLO11、YOLOv10、RT-DETR 和 EfficientDet 等其他领先架构之间的权衡。

无论你的应用需要边缘 AI的毫秒级延迟,还是医学影像所需的高精度,本指南都会提供你做出明智选择所需的数据。我们会根据平均精度均值 (mAP)、推理速度、参数效率和部署便捷性对模型进行评估。

交互式性能基准测试#

通过可视化速度与准确率之间的关系,可以确定目标检测的“帕累托前沿”——即在给定速度限制下提供最佳准确率的模型。下方图表对比了标准数据集(如 COCO)上的关键指标。

此图表直观呈现了关键性能指标,方便你快速评估不同模型之间的权衡。了解这些指标是选择符合部署约束的模型的基础。

快速决策指南#

不确定从哪里开始?使用此决策树,缩小选择范围,找到最符合你的硬件和性能要求的架构。

当前格局:YOLO26 及后续发展#

目标检测技术发展迅速。旧模型仍适用于现有部署,但新架构不断提升速度和准确率。

Ultralytics YOLO26#

YOLO26 于 2026 年 1 月发布,是最新的 Ultralytics 模型,也是所有新项目的推荐起点。它引入了多项架构创新,包括可选的端到端无 NMS 设计(nms=False),无需进行非极大值抑制 (NMS)后处理,从而实现更快、更可预测的推理速度。与 YOLO11n 相比,YOLO26n 在 CPU 上最高快 43%,因此非常适合边缘部署。

主要创新包括:

  • 无 NMS 端到端设计: 无需 NMS 后处理,简化部署(nms=False)
  • 移除 DFL: 简化导出至 ONNX、TensorRT 和 CoreML 的流程
  • MuSGD 优化器: 受 LLM 训练启发的 SGD/Muon 混合优化器,可实现稳定收敛
  • ProgLoss + STAL: 提升小目标检测性能
为什么选择 YOLO26?

YOLO26 将 CNN 的高效性与类似 Transformer 的端到端能力融为一体。它支持所有 Ultralytics 任务(检测、实例分割和语义分割、深度估计、分类、姿态估计和 OBB),同时比前几代模型更小、更快,也更易于部署。

Ultralytics YOLO11#

YOLO11 仍然是一款实力出众的模型:YOLO11m 使用的参数比 YOLOv8m 少 22%,检测准确率却更高。它仍获全面支持,适合需要经过验证的稳定性或已有 YOLO11 流水线的用户。

社区模型:关于 YOLO12 和 YOLO13 的说明#

你可能会在社区讨论或代码仓库中看到 YOLO12 或 YOLO13。

生产环境注意事项

目前,我们不建议在生产环境中使用 YOLO12 或 YOLO13。

  • YOLO12: 使用的注意力层往往会导致训练不稳定、内存消耗过高,以及 CPU 推理速度显著变慢。
  • YOLO13: 基准测试显示,与 YOLO11 相比,其精度提升有限,但模型更大、速度更慢。已有报告指出其结果存在可复现性问题。


观看: YOLO 模型对比:Ultralytics YOLO11 与 YOLOv10、YOLOv9 和 Ultralytics YOLOv8

详细模型对比#

查看下面的技术对比,了解骨干网络选择、检测头设计和损失函数等具体架构差异。对比内容按模型分类:

YOLO26 对比#

YOLO26 是最新的 Ultralytics 模型,具备无 NMS 端到端检测、MuSGD 优化器,以及 YOLO26n 相较于 YOLO11n 最高快 43% 的 CPU 推理速度。它针对边缘部署进行了优化,同时保持了高准确率。

YOLO11 对比#

YOLO11 在前代模型的成功基础上进一步发展。它采用改进的骨干网络和颈部架构,以提升特征提取能力和效率。

YOLOv10 对比#

由清华大学开发的 YOLOv10 专注于移除 NMS 步骤以降低延迟波动,在减少计算开销的同时保持出色性能。

YOLOv9 对比#

YOLOv9 引入了可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN),以解决深度神经网络中的信息丢失问题。

YOLOv8 对比#

Ultralytics YOLOv8 仍然广受欢迎。其架构将先进的骨干网络和颈部结构与无锚框解耦头相结合,在准确率和速度之间取得良好平衡。

YOLOv7 对比#

YOLOv7 引入了“可训练的免费增益工具包”和模型重参数化,重点是在不增加推理开销的前提下优化训练过程。

YOLOv6 对比#

美团的 YOLOv6 专为工业应用设计,采用双向拼接 (BiC) 模块和辅助锚框训练策略。

YOLOv5 对比#

Ultralytics YOLOv5 以易用、稳定和快速著称。对于需要广泛设备兼容性的项目,它仍然是可靠的选择。

RT-DETR 对比#

RT-DETR(实时检测 Transformer)将 CNN 骨干网络与 Transformer 编码器-解码器相结合,在实现实时性能的同时保持高准确率,并擅长理解全局上下文。

PP-YOLOE+ 对比#

Baidu 开发的 PP-YOLOE+ 使用任务对齐学习(TAL)和解耦头,在效率与精度之间取得平衡。

DAMO-YOLO 对比#

DAMO-YOLO 来自阿里巴巴集团,采用神经架构搜索 (NAS) 和高效的 RepGFPN 颈部结构,在延迟和准确率之间实现平衡。

YOLOX 对比#

Megvii 开发的 YOLOX 是一种无锚框演进模型,以解耦头和 SimOTA 标签分配策略而闻名。

EfficientDet 对比#

Google Brain 的 EfficientDet 使用复合缩放和 BiFPN 来优化参数效率,并提供一系列模型(D0-D7)以适应不同约束。

随着新模型发布和基准测试不断完善,此索引也会持续更新。对于需要私有授权的企业部署,请参阅 Ultralytics 授权页面。

评论

提出问题、分享结果,或帮助其他人。