Ultralytics YOLO27： 加入候补名单。
Get Started

YOLO11 与 RTDETRv2#

实时检测越来越需要在卷积神经网络 (CNN)和视觉 Transformer (ViT)之间做出选择。本技术比较将介绍两种领先的目标检测架构：Ultralytics 推出的高度优化 CNN YOLO11，以及百度 Detection Transformer 系列的迭代版本 RTDETRv2。

本指南将比较两者的架构、性能指标和部署场景，帮助机器学习工程师做出选择。这两种模型都能达到很高的准确率，但在生产环境中，Ultralytics YOLO 模型通常能更好地平衡速度、生态支持和易用性。

YOLO11：满足真实场景多样需求的标杆#

YOLO11 由 Ultralytics 推出，基于多年的 YOLO 研究成果打造，兼具速度、准确率和多功能性。它原生支持目标检测、实例分割、图像分类、姿态估计和有向边界框 (OBB)检测。

架构与优势#

YOLO11 采用改进后的 CNN 主干网络和多尺度特征金字塔，资源利用效率高。它适用于硬件限制严格的环境，训练和推理期间的内存占用都很小。Ultralytics Platform 支持使用 YOLO11 进行数据标注、云端训练和模型监控，无需拼接多个独立的 MLOps 工具。

在边缘部署中，YOLO11 延迟低。它的轻量设计可在从 Raspberry Pi 开发板到消费级手机的各种设备上高效运行，因此常用于智慧零售、制造质量控制和自动化交通管理。

RTDETRv2：百度的实时 Transformer#

RTDETRv2（实时检测 Transformer 第 2 版）体现了百度让基于 Transformer 的架构适用于实时任务的努力。它在原版 RT-DETR 的基础上采用“免费增强组合”方法，在不增加推理延迟的前提下提升基线准确率。

进一步了解 RTDETRv2

架构与优势#

与传统 CNN 不同，RTDETRv2 使用带有自注意力机制的编码器-解码器架构，使其能够捕获图像中的全局上下文信息。这有助于处理遮挡频繁的拥挤场景。RTDETRv2 无需在后处理中执行非极大值抑制 (NMS)，而是在训练期间依靠匈牙利匹配进行一对一二分匹配。

然而，Transformer 模型通常需要更多显存和 CUDA 内存。从头开始训练 RTDETRv2 或在自定义数据集上微调，往往需要大内存的高端 GPU。与 Ultralytics 模型较轻的训练资源需求相比，这可能成为小团队的障碍。

性能与指标分析#

在标准 COCO 数据集上评估后，可以看出这些模型在参数数量、FLOPs 和准确率（mAP）之间存在明显权衡。

模型尺寸
(像素)		mAP验证集
50-95		速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
（ms）		参数
(M)		FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

解读结果#

YOLO11 的单参数准确率更高。YOLO11x 的 mAPval 为 54.7，高于 RTDETRv2-x 的 54.3，同时参数更少（56.9M 对 76M），FLOPs 也更低（195.3B 对 259B）。

YOLO11 在 T4 TensorRT 上的速度也更快。YOLO11s 的运行时间为 2.5 ms，而 RTDETRv2-s 为 5.03 ms（mAP 分别为 47.0 和 48.1）；YOLO11m 的准确率更高（51.5 mAP），速度也更快（4.7 ms），优于 RTDETRv2-s。因此，YOLO11 非常适合以帧处理时间为主要瓶颈的实时视频分析。

使用 Transformer 的代价

RTDETRv2 通过注意力层实现了出色的准确率，但这些机制的计算量会随图像分辨率呈平方级增长，导致训练和推理时显存占用更高。YOLO11 则通过高效的卷积模块避免了这一开销。

训练生态系统与易用性#

采用 Ultralytics 模型的核心优势在于其配套生态系统。训练 RTDETRv2 通常需要摸索复杂的研究级代码库、调整繁复的二分图匹配损失权重，并管理高昂的内存开销。

Ultralytics 注重开发者体验。统一的 Python API 无需编写样板代码，可集成 Weights & Biases 等工具来进行实验跟踪，并自动处理数据增强。

使用 ultralytics 包训练和导出模型非常简单：

from ultralytics import YOLO

# 使用预训练权重初始化 YOLO11 模型
model = YOLO("yolo11n.pt")

# 在本地 GPU 或云实例上高效训练模型
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # 使用 CUDA GPU
)

# 将训练好的模型导出为 ONNX，以便广泛部署
export_path = model.export(format="onnx")

训练完成后，只需一条命令即可将 YOLO11 模型导出为 ONNX、OpenVINO 或 CoreML 等格式，让同一个模型能够运行在各种硬件后端上。

多任务能力

RTDETRv2 仅支持边界框检测，而 YOLO11 还支持实例分割、图像分类、姿态估计和 OBB 检测，让你可以将多种视觉任务整合到同一模型系列中。

用例与建议#

选择 YOLO11 还是 RT-DETR，取决于你的具体项目需求、部署约束和生态系统偏好。

何时选择 YOLO11#

以下场景适合选择 YOLO11：

  • 生产级边缘部署：在 Raspberry Pi 或 NVIDIA Jetson 等设备上运行商业应用，可靠性和持续维护至关重要。
  • 多任务视觉应用：需要在单一统一框架中完成检测、分割、分类、姿态估计和 OBB 的项目。
  • 快速原型开发与部署：需要借助精简的 Ultralytics Python API，快速完成从数据收集到生产部署的团队。

何时选择 RT-DETR#

以下情况推荐使用 RT-DETR：

  • 基于 Transformer 的检测研究：探索注意力机制和 Transformer 架构，以实现无需 NMS 的端到端目标检测。
  • 对延迟要求灵活的高精度场景：检测准确率至关重要，且可以接受略高推理延迟的应用。
  • 大型目标检测：场景中的目标以中大型为主，此时 Transformer 的全局注意力机制能够发挥天然优势。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡：

  • 无 NMS 的边缘部署：适用于要求推理延迟稳定且较低，同时不希望增加非极大值抑制后处理复杂度的应用。
  • 仅使用 CPU 的环境： 没有专用 GPU 加速的设备；YOLO26 的 CPU 推理速度最高可提升 43%（YOLO26n 对比 YOLO11n），具有决定性优势。
  • 小目标检测： 在无人机航拍影像等具有挑战性的场景或物联网传感器分析中，ProgLoss 和 STAL 能提升小目标检测准确率。

展望未来：YOLO26 的强大能力#

YOLO11 仍然是可靠的生产环境选择，但新项目应从 YOLO26 开始。YOLO26 于 2026 年 1 月发布，通过可选的端到端、无需 NMS 的检测头（nms=False；由 YOLOv10 引入 YOLO 模型）缩小了与 Transformer 架构的差距，无需承担 NMS 后处理延迟，并简化了部署逻辑。

YOLO26 还引入了其他多项改进：

  • MuSGD 优化器： 这种结合 SGD 和 Muon 的混合优化器受到 Moonshot AI 的 Kimi K2 大语言模型 (LLM)训练技术启发，可实现更稳定的训练和更快的收敛。
  • 移除 DFL：移除 Distribution Focal Loss 可简化导出流程，并提升与低功耗边缘设备的兼容性。
  • ProgLoss + STAL：渐进式损失和小目标感知标签分配（STAL）可提升小物体识别能力，这对无人机监控、农业监测和 IoT 边缘传感器而言是关键要求。
  • CPU 推理速度最高提升 43%：对于没有专用 GPU 的部署场景，YOLO26n 在 CPU 上的运行速度最高比 YOLO11n 快 43%。

如需了解更多架构，请参阅 YOLOv8、广泛采用的 YOLOv5，以及用于开放词汇检测等专门用途的模型，例如 YOLO-World。无论你选择经过验证、稳定可靠的 YOLO11，还是更新的 YOLO26，Ultralytics 生态系统都能提供将计算机视觉项目投入生产所需的工具。

贡献者
GLglenn-jocher19PDpderrenger2

评论