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
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。
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。
- YOLO26 与 YOLO11
- YOLO26 与 YOLOv10
- YOLO26 与 YOLOv9
- YOLO26 与 YOLOv8
- YOLO26 与 YOLOv7
- YOLO26 与 YOLOv6-3.0
- YOLO26 与 YOLOv5
- YOLO26 与 PP-YOLOE+
- YOLO26 与 DAMO-YOLO
- YOLO26 与 YOLOX
- YOLO26 与 RT-DETR
- YOLO26 与 EfficientDet
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。
- YOLO11 与 YOLO26
- YOLO11 与 YOLOv10
- YOLO11 与 YOLOv9
- YOLO11 与 YOLOv8
- YOLO11 与 YOLOv7
- YOLO11 与 YOLOv6-3.0
- YOLO11 与 YOLOv5
- YOLO11 与 PP-YOLOE+
- YOLO11 与 DAMO-YOLO
- YOLO11 与 YOLOX
- YOLO11 与 RT-DETR
- YOLO11 与 EfficientDet
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。
- YOLOv10 与 YOLO26
- YOLOv10 与 YOLO11
- YOLOv10 与 YOLOv9
- YOLOv10 与 YOLOv8
- YOLOv10 与 YOLOv7
- YOLOv10 与 YOLOv6-3.0
- YOLOv10 与 YOLOv5
- YOLOv10 与 PP-YOLOE+
- YOLOv10 与 DAMO-YOLO
- YOLOv10 与 YOLOX
- YOLOv10 与 RT-DETR
- YOLOv10 与 EfficientDet
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。
- YOLOv9 与 YOLO26
- YOLOv9 与 YOLO11
- YOLOv9 与 YOLOv10
- YOLOv9 与 YOLOv8
- YOLOv9 与 YOLOv7
- YOLOv9 与 YOLOv6-3.0
- YOLOv9 与 YOLOv5
- YOLOv9 与 PP-YOLOE+
- YOLOv9 与 DAMO-YOLO
- YOLOv9 与 YOLOX
- YOLOv9 与 RT-DETR
- YOLOv9 与 EfficientDet
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。
- YOLOv8 与 YOLO26
- YOLOv8 与 YOLO11
- YOLOv8 与 YOLOv10
- YOLOv8 与 YOLOv9
- YOLOv8 与 YOLOv7
- YOLOv8 与 YOLOv6-3.0
- YOLOv8 与 YOLOv5
- YOLOv8 与 PP-YOLOE+
- YOLOv8 与 DAMO-YOLO
- YOLOv8 与 YOLOX
- YOLOv8 与 RT-DETR
- YOLOv8 与 EfficientDet
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。
- YOLOv7 与 YOLO26
- YOLOv7 与 YOLO11
- YOLOv7 与 YOLOv10
- YOLOv7 与 YOLOv9
- YOLOv7 与 YOLOv8
- YOLOv7 与 YOLOv6-3.0
- YOLOv7 与 YOLOv5
- YOLOv7 与 PP-YOLOE+
- YOLOv7 与 DAMO-YOLO
- YOLOv7 与 YOLOX 对比
- YOLOv7 与 RT-DETR 对比
- YOLOv7 与 EfficientDet 对比
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。
- YOLOv6-3.0 与 YOLO26 对比
- YOLOv6-3.0 与 YOLO11 对比
- YOLOv6-3.0 与 YOLOv10 对比
- YOLOv6-3.0 与 YOLOv9 对比
- YOLOv6-3.0 与 YOLOv8 对比
- YOLOv6-3.0 与 YOLOv7 对比
- YOLOv6-3.0 与 YOLOv5 对比
- YOLOv6-3.0 与 PP-YOLOE+ 对比
- YOLOv6-3.0 与 DAMO-YOLO 对比
- YOLOv6-3.0 与 YOLOX 对比
- YOLOv6-3.0 与 RT-DETR 对比
- YOLOv6-3.0 与 EfficientDet 对比
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。
- YOLOv5 与 YOLO26 对比
- YOLOv5 与 YOLO11 对比
- YOLOv5 与 YOLOv10 对比
- YOLOv5 与 YOLOv9 对比
- YOLOv5 与 YOLOv8 对比
- YOLOv5 与 YOLOv7 对比
- YOLOv5 与 YOLOv6-3.0 对比
- YOLOv5 与 PP-YOLOE+ 对比
- YOLOv5 与 DAMO-YOLO 对比
- YOLOv5 与 YOLOX 对比
- YOLOv5 与 RT-DETR 对比
- YOLOv5 与 EfficientDet 对比
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。
- RT-DETR 与 YOLO26 对比
- RT-DETR 与 YOLO11 对比
- RT-DETR 与 YOLOv10 对比
- RT-DETR 与 YOLOv9 对比
- RT-DETR 与 YOLOv8 对比
- RT-DETR 与 YOLOv7 对比
- RT-DETR 与 YOLOv6-3.0 对比
- RT-DETR 与 YOLOv5 对比
- RT-DETR 与 PP-YOLOE+ 对比
- RT-DETR 与 DAMO-YOLO 对比
- RT-DETR 与 YOLOX 对比
- RT-DETR 与 EfficientDet 对比
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。
- PP-YOLOE+ 与 YOLO26 对比
- PP-YOLOE+ 与 YOLO11 对比
- PP-YOLOE+ 与 YOLOv10 对比
- PP-YOLOE+ 与 YOLOv9 对比
- PP-YOLOE+ 与 YOLOv8 对比
- PP-YOLOE+ 与 YOLOv7 对比
- PP-YOLOE+ 与 YOLOv6-3.0 对比
- PP-YOLOE+ 与 YOLOv5 对比
- PP-YOLOE+ 与 DAMO-YOLO 对比
- PP-YOLOE+ 与 YOLOX 对比
- PP-YOLOE+ 与 RT-DETR 对比
- PP-YOLOE+ 与 EfficientDet 对比
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。
- DAMO-YOLO 与 YOLO26 对比
- DAMO-YOLO 与 YOLO11 对比
- DAMO-YOLO 与 YOLOv10 对比
- DAMO-YOLO 与 YOLOv9 对比
- DAMO-YOLO 与 YOLOv8 对比
- DAMO-YOLO 与 YOLOv7 对比
- DAMO-YOLO 与 YOLOv6-3.0 对比
- DAMO-YOLO 与 YOLOv5 对比
- DAMO-YOLO 与 PP-YOLOE+ 对比
- DAMO-YOLO 与 YOLOX 对比
- DAMO-YOLO 与 RT-DETR 对比
- DAMO-YOLO 与 EfficientDet 对比
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。
- YOLOX 与 YOLO26 对比
- YOLOX 与 YOLO11 对比
- YOLOX 与 YOLOv10 对比
- YOLOX 与 YOLOv9 对比
- YOLOX 与 YOLOv8 对比
- YOLOX 与 YOLOv7 对比
- YOLOX 与 YOLOv6-3.0 对比
- YOLOX 与 YOLOv5 对比
- YOLOX 与 PP-YOLOE+ 对比
- YOLOX 与 DAMO-YOLO 对比
- YOLOX 与 RT-DETR 对比
- YOLOX 与 EfficientDet 对比
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。
- EfficientDet 与 YOLO26 对比
- EfficientDet 与 YOLO11 对比
- EfficientDet 与 YOLOv10 对比
- EfficientDet 与 YOLOv9 对比
- EfficientDet 与 YOLOv8 对比
- EfficientDet 与 YOLOv7 对比
- EfficientDet 与 YOLOv6-3.0 对比
- EfficientDet 与 YOLOv5 对比
- EfficientDet 与 PP-YOLOE+ 对比
- EfficientDet 与 DAMO-YOLO 对比
- EfficientDet 与 YOLOX 对比
- EfficientDet 与 RT-DETR
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。