模型对比：为你的项目选择最佳目标检测模型

选择正确的神经网络架构是任何成功的计算机视觉项目的基石。欢迎来到 Ultralytics 模型对比中心！本页面汇总了详细的技术分析和性能基准，剖析了最新的 Ultralytics YOLO26 与 YOLO11、YOLOv10、RT-DETR 和 EfficientDet 等其他领先架构之间的权衡。

无论你的应用是需要 边缘AI 的毫秒级延迟，还是医学影像所需的高保真精度，本指南都提供了做出明智选择所需的数据驱动见解。我们根据 平均精度均值 (mAP)、推理速度、参数效率和部署简易性来评估模型。

交互式性能基准

可视化速度与精度之间的关系对于确定目标检测的“帕累托前沿”至关重要——即在给定速度约束下提供最佳精度的模型。下图对比了在 COCO 等标准数据集 上的关键指标。

该图表可视化了关键的 性能指标，让你能够快速评估不同模型之间的权衡。理解这些指标对于选择符合你特定部署约束的模型至关重要。

快速决策指南

不确定从哪里开始？使用此决策树来缩小范围，找到最适合你硬件和性能要求的架构。

graph TD
    A[Start: Define Project Needs] --> B{Deployment Hardware?}
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}

    C -- "Extreme Speed (Real-time)" --> E[YOLO26n / YOLO26s]
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]

    A --> I{Specialized Features?}
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]
    I -- "Video Analytics" --> L[YOLO26 + Tracking]

当前格局：YOLO26 及未来展望

目标检测领域发展迅速。虽然旧模型在遗留支持方面仍然相关，但新架构正在不断突破可能性的边界。

Ultralytics YOLO26

YOLO26 发布于 2026 年 1 月，是目前最先进的模型，也是所有新项目的推荐起点。它引入了开创性的架构创新，包括端到端 NMS-Free 设计，消除了对非极大值抑制（Non-Maximum Suppression）后处理的需求，从而实现更快、更可预测的推理时间。与前几代相比，YOLO26 在 CPU 上的速度提升高达 43%，使其成为边缘部署的理想选择。

主要创新包括：

  • NMS-Free 端到端： 简化部署，无需后处理
  • DFL 移除： 流线型导出至 ONNX、TensorRT 和 CoreML
  • MuSGD 优化器： 受大语言模型训练启发的混合 SGD/Muon 优化器，可实现稳定收敛
  • ProgLoss + STAL： 增强了小目标检测性能
为什么选择 YOLO26？

YOLO26 代表了 Ultralytics 工程的巅峰，它结合了 CNN 的高效性和类似 Transformer 的端到端能力。它支持所有任务——检测、分割、姿态估计、分类和 OBB——同时比以往任何时候都更小、更快且更易于部署。

Ultralytics YOLO11

YOLO11 仍然是一个能力极强的模型，与 YOLOv8 相比参数减少了 22%，同时提高了检测精度。它得到全面支持，并推荐给需要经过验证的稳定性或拥有现有 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仓库中看到对 YOLO12 或 YOLO13 的提及。

生产环境警告

我们目前不建议在生产环境中使用 YOLO12 或 YOLO13。

  • YOLO12： 使用了通常会导致训练不稳定、内存消耗过大以及 CPU 推理速度明显变慢的注意力层。
  • YOLO13： 基准测试表明，它相比 YOLO11 仅有微小的精度提升，同时体积更大、速度更慢。据报告，结果在可重复性方面存在问题。


Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

详细模型对比

探索我们的深度技术对比，以了解特定的架构差异，例如主干网络选择、头部设计和损失函数。我们已按模型分类以方便查阅：

YOLO26 vs

YOLO26 是最新的 Ultralytics 模型，具有 NMS-Free 端到端检测、MuSGD 优化器，且 CPU 推理速度提升高达 43%。它针对边缘部署进行了优化，同时实现了业界领先的精度。

YOLO11 vs

YOLO11 基于其前身的成功，融合了前沿研究。它采用了改进的主干和颈部架构，以实现更好的特征提取和优化的效率。

YOLOv10 vs

由清华大学开发的 YOLOv10 专注于移除 非极大值抑制 (NMS) 步骤以降低延迟方差，在减少计算开销的同时提供卓越的性能。

YOLOv9 vs

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

YOLOv8 vs

Ultralytics YOLOv8 仍然是一个非常受欢迎的选择，具有先进的主干和颈部架构以及无锚点分割头，可实现最佳的精度与速度权衡。

YOLOv7 vs

YOLOv7 引入了“可训练免费赠品包”（trainable bag-of-freebies）和模型重参数化技术，旨在优化训练过程而不增加推理成本。

YOLOv6 对比

美团的 YOLOv6 专为工业应用而设计，采用双向拼接（Bi-directional Concatenation，BiC）模块和锚框辅助训练策略。

YOLOv5 对比

Ultralytics YOLOv5 以其易用性、稳定性和速度而闻名。对于需要广泛设备兼容性的项目来说，它仍然是一个稳健的选择。

RT-DETR 对比

RT-DETR（实时检测 Transformer）利用视觉 Transformer 实现高精度和实时性能，在全局上下文理解方面表现卓越。

PP-YOLOE+ 对比

由百度开发的 PP-YOLOE+ 使用任务对齐学习（Task Alignment Learning，TAL）和一个解耦检测头，以平衡效率和精度。

DAMO-YOLO 对比

来自阿里巴巴集团的 DAMO-YOLO 采用神经架构搜索（NAS）和高效的 RepGFPN，以在静态基准测试中最大化精度。

YOLOX 对比

由旷视科技（Megvii）开发的 YOLOX 是一种无锚（anchor-free）模型，以其解耦检测头和 SimOTA 标签分配策略而闻名。

EfficientDet 对比

谷歌大脑的 EfficientDet 使用复合缩放和 BiFPN 来优化参数效率，提供了一系列模型（D0-D7）以适应不同的约束条件。

随着新模型的发布和基准测试的完善，该索引会持续更新。我们鼓励你探索这些资源，为你的下一个计算机视觉项目找到最完美的方案。如果你正在寻找具有私有许可的企业级解决方案，请访问我们的 Licensing 页面。对比愉快！

Contributors
GLglenn-jocher10PDpderrenger1RIRizwanMunawar1

评论