Meet YOLO26: next-gen vision AI.

Link to this section模型对比：为你的项目选择最佳目标检测模型#

选择合适的神经网络架构是任何成功计算机视觉项目的基石。欢迎来到 Ultralytics 模型对比中心！本页面汇集了详尽的技术分析和性能基准测试，深入剖析了最新的 Ultralytics YOLO26 与 YOLO11、YOLOv10、RT-DETR 和 EfficientDet 等其他领先架构之间的权衡。

无论你的应用需要边缘 AI 的毫秒级延迟，还是医疗影像所需的高保真精度，本指南都能为你提供做出明智选择所需的数据驱动见解。我们基于平均精度均值 (mAP)、推理速度、参数效率和部署简易性对模型进行评估。

Link to this section交互式性能基准测试#

可视化速度与准确率之间的关系，对于识别目标检测的“帕累托前沿”（Pareto frontier）至关重要——即在给定速度约束下提供最佳准确率的模型。下图对比了在 COCO 等标准数据集上的关键指标。

This chart visualizes key performance metrics enabling you to quickly assess the trade-offs between different models. Understanding these metrics is fundamental to selecting a model that aligns with your specific deployment constraints.

Link to this section快速决策指南#

不知道从哪里开始？使用此决策树来缩小范围，找到最适合你的硬件和性能需求的架构。

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]

Link to this section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重要，但新的架构正在突破可能性的边界。

Link to this sectionUltralytics YOLO26#

于 2026 年 1 月发布，YOLO26 是最新的最先进模型，也是所有新项目的推荐起点。它引入了开创性的架构创新，包括端到端无 NMS 设计，消除了非极大值抑制后处理的需求，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%，非常适合边缘部署。

关键创新包括：

  • 无 NMS 端到端： 简化部署，无需后处理
  • DFL 移除： 简化到 ONNX、TensorRT 和 CoreML 的导出
  • MuSGD 优化器： 受 LLM 训练启发的混合 SGD/Muon 优化器，以实现稳定的收敛
  • 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，结合了 CNN 效率的最佳特性与类似 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、更易于部署。

Link to this sectionUltralytics YOLO11#

YOLO11 仍然是一个功能强大的模型，与 YOLOv8 相比参数减少了 22%，同时提高了检测准确率。它得到全面支持，推荐给需要经证明的稳定性或已有 YOLO11 流水线的用户使用。

Link to this section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关于 YOLO12 或 YOLO13 的引用。

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： 利用了往往会导致训练不稳定、内存消耗过大以及 CPU 推理速度显著变慢的注意力层。
  • YOLO13： 基准测试表明，它相比 YOLO11 只有微小的准确率提升，同时体积更大且更慢。报告结果显示其存在可重复性问题。


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

Link to this section详细模型对比#

探索我们深入的技术对比，以了解特定的架构差异，如主干网络选择、头部设计和损失函数。我们按模型整理了这些内容，以便你轻松访问：

Link to this sectionYOLO26 对比#

YOLO26 是最新的 Ultralytics 模型，具有无 NMS 端到端检测、MuSGD 优化器，并在 CPU 推理速度上提升高达 43%。它专为边缘部署而优化，同时实现了最先进的准确率。

Link to this sectionYOLO11 对比#

YOLO11 在前代产品成功的基础上，结合了尖端研究。它具有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。

Link to this sectionYOLOv10 对比#

YOLOv10 由清华大学开发，专注于移除非极大值抑制 (NMS) 步骤，以减少延迟变化，从而在降低计算开销的同时提供最先进的性能。

Link to this sectionYOLOv9 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。

Link to this sectionYOLOv8 对比#

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离头，以实现最佳的准确率与速度权衡。

Link to this sectionYOLOv7 对比#

YOLOv7 引入了“可训练的免费赠品 (trainable bag-of-freebies)”和模型重参数化技术，专注于在不增加推理成本的情况下优化训练过程。

Link to this sectionYOLOv6 对比#

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

Link to this sectionYOLOv5 对比#

Ultralytics YOLOv5 以其易用性、稳定性和速度著称。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。

Link to this sectionRT-DETR 对比#

RT-DETR (实时检测 Transformer) 利用视觉 Transformer 在保持实时性能的同时实现高精度，尤其擅长理解全局上下文。

Link to this sectionPP-YOLOE+ 对比#

由百度开发的 PP-YOLOE+ 使用任务对齐学习 (Task Alignment Learning, TAL) 和解耦头来平衡效率与精度。

Link to this sectionDAMO-YOLO 对比#

来自阿里巴巴集团的 DAMO-YOLO 采用了神经架构搜索 (NAS) 和高效的 RepGFPN，以在静态基准测试上实现精度最大化。

Link to this sectionYOLOX 对比#

由旷视科技 (Megvii) 开发的 YOLOX 是一个无锚点 (anchor-free) 的演进版本，以其解耦头 (decoupled head) 和 SimOTA 标签分配策略而闻名。

Link to this sectionEfficientDet 对比#

谷歌大脑 (Google Brain) 开发的 EfficientDet 使用复合缩放 (compound scaling) 和 BiFPN 来优化参数效率，并提供了一系列 (D0-D7) 针对不同约束的模型。

此索引会随新模型的发布和基准测试的完善而持续更新。我们鼓励你探索这些资源，为你下一个计算机视觉项目找到最合适的方案。如果你正在寻找带有私有授权的企业级解决方案，请访问我们的 授权页面。对比愉快！

贡献者
GLglenn-jocher11PDpderrenger1RIRizwanMunawar1

评论