YOLO11 与 YOLO26#
每一代 Ultralytics YOLO 都致力于提升实时目标检测的速度、准确率和部署效率。本技术对比将介绍从广泛使用的 YOLO11 到当前 YOLO26 的演进，分析两者的架构、性能指标和理想部署场景。
无论你是在构建无人机配送系统，还是在优化全球化的智能制造流水线，了解这两种模型的差异都能帮助你选出合适的模型。
模型沿革与生态系统#
两种模型都受益于 Ultralytics 生态，具有直观易用的 API、持续维护和活跃的社区。两者开箱即支持目标检测、实例分割、图像分类、姿态估计和有向边界框 (OBB)任务，而 YOLO26 还支持语义分割和深度估计。
YOLO11：成熟可靠的标准#
YOLO11 于 2024 年末发布，在前几代产品进展的基础上进一步改进，成为生产环境中值得信赖的主力模型。
- 作者： Glenn Jocher 和 Jing Qiu
- 组织： Ultralytics
- 日期： 2024-09-27
- GitHub： https://github.com/ultralytics/ultralytics
- 文档： YOLO11 文档
YOLO26：新一代模型#
YOLO26 于 2026 年 1 月推出，重点面向边缘部署和可选的端到端推理，可提升 CPU 速度并简化集成。
- 作者： Glenn Jocher 和 Jing Qiu
- 组织： Ultralytics
- 日期： 2026-01-14
- GitHub： https://github.com/ultralytics/ultralytics
- 文档：YOLO26 文档
YOLO11 和 YOLO26 均已全面集成到 Ultralytics Platform，为数据集标注、云端训练和部署监控提供无代码工作流。
架构创新#
YOLO11 依赖多年来一直用于计算机视觉的传统后处理方法，而 YOLO26 引入了多项结构性变更，可消除部署瓶颈。
端到端免 NMS 设计#
YOLO26 最重要的升级之一是其原生端到端架构。其可选的一对一检测头（nms=False）无需进行非极大值抑制（NMS）后处理；这一概念由 YOLOv10 引入 YOLO 模型。跳过 NMS 可简化部署流程并保持延迟稳定，这对于自动驾驶算法等实时应用至关重要。
移除 DFL，优化边缘部署#
YOLO26 移除了分布焦点损失 (DFL)。DFL 在 YOLO11 中有助于实现精细定位，但移除它可以简化网络的导出计算图。这提升了模型与低功耗硬件的兼容性，使 YOLO26 非常适合 Raspberry Pi或 NVIDIA Jetson等边缘设备。
MuSGD 优化器#
YOLO26 借鉴大语言模型 (LLM) 的训练方法，尤其是月之暗面 AI 的 Kimi K2，采用了 MuSGD 优化器。这种结合随机梯度下降 (SGD) 和 Muon 的混合优化器可带来更稳定的训练和更快的收敛；使用 optimizer=auto 时，Ultralytics 会在更长的训练任务中选择 MuSGD。
损失函数与标签分配#
YOLO26 引入了 ProgLoss + STAL（渐进式损失和小目标感知标签分配）。这种组合能提升对小型且密集目标的检测能力。此外，YOLO26 还引入了针对特定任务的增强：语义分割损失和用于实例分割的多尺度原型模块、用于姿态估计的残差对数似然估计 (RLE)，以及用于缓解 OBB 检测任务边界问题的专用角度损失。
性能对比#
准确率 (mAP)、参数量、计算复杂度 (FLOPs) 和速度之间的平衡会影响硬件选择。YOLO26 专门针对 CPU 推理进行了优化，YOLO26n 的 CPU 推理速度比 YOLO11n 最高快 43%。
| 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) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
使用 ONNX Runtime时，YOLO26n 比 YOLO11n 高出 1.4 mAP（40.9 对 39.5），同时将 CPU 推理时间从 56.1 毫秒缩短到 38.9 毫秒。YOLO26 在所有尺寸下都更准确；在 m、l 和 x 尺寸下，YOLO11 的 CPU 速度仍然更快，而两个系列在 T4 上的 TensorRT 延迟相近。
使用场景与实际应用#
选择 YOLO11 还是 YOLO26，主要取决于你的具体基础设施和项目目标。
边缘计算与物联网#
对于受功耗和硬件限制的应用，例如通过无人机进行智能农业监控或本地安全警报系统，YOLO26 更加适合。移除 DFL 并将 CPU 推理速度提升最高 43%（YOLO26n 对比 YOLO11n），让你无需专用 GPU 就能在设备上运行复杂的视觉模型，同时保持较高的帧率。
云端与企业级规模#
对于围绕 YOLO11 构建的现有企业级部署，例如基于云的视频分析和已集成其输出格式的大规模媒体处理流水线，YOLO11 仍是不错的选择。
小目标检测#
如果你的项目需要准确检测小目标，例如检测电路板缺陷或跟踪航拍图像中的远处车辆，那么 YOLO26 中的 ProgLoss + STAL 实现可提升这些困难场景下的召回率和精确率。
训练效率与内存需求#
Ultralytics 框架的一大优势是训练时内存占用低。与 RT-DETR等基于 Transformer 的检测器不同，后者可能会占用大量 CUDA 内存，而 YOLO11 和 YOLO26 都针对在消费级硬件上高效训练进行了优化。
YOLO26 集成的 MuSGD 优化器还能加快收敛速度，从而减少 GPU 总计算时长和云计算成本。
下面是使用 Python API 训练 YOLO26 的简单示例：
from ultralytics import YOLO
# 初始化 YOLO26 Nano 模型
model = YOLO("yolo26n.pt")
# 使用 COCO8 数据集训练模型
# 自动处理优化器选择（较长训练任务使用 MuSGD）和内存管理
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# 快速运行验证，检查 mAP 指标
metrics = model.val()
# 将训练好的模型导出为 ONNX，以便快速进行 CPU 推理
model.export(format="onnx")探索其他架构#
YOLO26 是推荐的起点，但 Ultralytics 文档中的其他模型也可能适合特定需求。如果你受旧版环境限制，较早的架构（如 YOLOv5）仍能可靠运行。如果无法预先定义类别，需要零样本能力，YOLO-World可通过文本提示实现开放词汇检测。
结论#
从 YOLO11 迁移到 YOLO26 不只是一次渐进式更新：它改变了实时检测模型在生产环境中的运行方式。凭借可选的无 NMS 推理和优先面向边缘设备的优化，YOLO26 是新项目的推荐选择。在 Ultralytics 文档的支持下，升级到 YOLO26 能为受支持的视觉任务带来更简单的部署、更稳定的训练和更高的准确率。