开始使用

YOLO11 与 YOLOv10

实时计算机视觉架构在边缘设备和云基础设施上都在不断改进。本技术分析对比两种具有重要影响力的模型:Ultralytics YOLO11和 YOLOv10。两者都在 2024 年推动了目标检测的发展,但它们采用了不同的架构方法来实现各自的性能。

深入了解 YOLO11 架构#

YOLO11 详情:

YOLO11 建立在多年计算机视觉与 AI 研究的基础上,其设计注重丰富的特征表达能力,以及在多种计算机视觉任务中的灵活性。

YOLO11 的一项突出改进是采用了 C3k2 模块。这种改进后的瓶颈模块在保持较高准确率的同时,改善了网络中的梯度流动并提高了参数效率。此外,YOLO11 采用了增强型空间注意力机制,有助于识别较小或部分被遮挡的物体。因此,它适用于航拍图像应用和精细的医学图像分析。

YOLO11 采用无锚框设计,减少了超参数调优工作,并能很好地泛化到各种自定义数据集。与基于 Transformer 的架构相比,它在训练时所需的内存也更少,使研究人员能够在标准消费级硬件上高效训练大型模型。

探索 YOLOv10 架构#

YOLOv10 详情:

YOLOv10 由清华大学研究人员开发,是 YOLO 系列中首个端到端模型。它的标志性特点是无 NMS 训练:通过在训练期间使用一致的双重标签分配,模型可以学会在推理时为每个目标预测一个边界框。这样一来,推理时就无需执行非极大值抑制 (NMS),这项后处理步骤过去常常会导致部署流水线出现延迟瓶颈。

该架构还引入了一种整体性的效率与准确率设计策略。它采用空间与通道解耦下采样,以及基于秩的模块设计,有选择地减少网络各阶段的冗余。这样可以减少 FLOPs和计算开销,同时不会显著牺牲平均精度均值 (mAP)。对于每一毫秒都至关重要的实时应用,移除 NMS 可形成确定性的推理计算图,非常适合边缘 AI 设备。

进一步了解 YOLOv10

性能指标与基准测试#

本对比综合考量准确率、参数量和速度。下表展示了它们在COCO 数据集不同模型尺寸下的表现。

模型尺寸
(像素)
mAPval50-95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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

在所有可比尺寸下,YOLO11 的 mAP都略高(例如,nano 模型为 39.5 对 38.5,x 模型为 54.7 对 54.4),而 YOLOv10 在较大尺寸下使用的参数更少(x 模型为 29.5M 对 56.9M)。两个系列在 T4 上的 TensorRT延迟相近。

面向生产环境的导出

准备部署模型时,将模型导出为优化格式非常重要。使用 Ultralytics 框架可以将 YOLO11 和 YOLOv10 导出为 ONNX 和 TensorRT 等格式。请参阅我们的模型部署选项指南,获取分步说明。

Ultralytics 生态系统的优势#

独立性能指标固然重要,但机器学习项目能否在实践中取得成功,取决于其周边框架。这正是作为 Ultralytics 生态原生组成部分的 YOLO11 的优势所在。

Ultralytics Platform提供了精简流畅的用户体验。借助简单统一的 Python API,开发者可以处理基础边界框以外的任务。YOLO11 开箱即支持实例分割、图像分类、姿态估计和有向边界框 (OBB)检测,而 YOLOv10 则专注于检测。专业研究代码库往往缺少这种灵活性。

此外,生态还提供了丰富的文档和活跃的社区支持。实验跟踪工具 Weights & Biases和面向 Intel 硬件优化的 OpenVINO等集成都直接内置于库中。训练模型所需的样板代码很少,且 CUDA 内存占用低于 RT-DETR等更庞大的 Transformer 模型。

实操代码示例#

使用 Ultralytics 只需几行代码即可完成训练和推理,同一个 API 同时适用于 YOLO11 和 YOLOv10。

from ultralytics import YOLO

# 初始化模型(YOLO11n 或 YOLOv10n)
model = YOLO("yolo11n.pt")

# 在自定义数据集上高效训练模型
# Ultralytics 会自动处理超参数和内存优化
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# 对图像进行推理
inference_results = model("https://ultralytics.com/images/bus.jpg")

# 显示检测到的目标
inference_results[0].show()

用例与建议#

如何在 YOLO11 和 YOLOv10 之间选择取决于你的具体项目需求、部署限制和生态偏好。

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:需要使用 Ultralytics Python API 快速完成从数据收集到生产部署的团队。

何时选择 YOLOv10#

以下场景推荐使用 YOLOv10:

  • 无 NMS 的实时检测:适用于需要从端到端检测中获益、无需使用非极大值抑制并能降低部署复杂度的应用。
  • 均衡权衡速度与准确率:适用于需要在不同模型规模下兼顾推理速度和检测准确率的项目。
  • 延迟稳定的应用:适用于推理时间可预测性至关重要的部署场景,例如机器人或自主系统。

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 加速的设备中,YOLO26n 的 CPU 推理速度最高比 YOLO11n 快 43%,优势显著。
  • 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。

新一代模型:YOLO26#

YOLOv10 引入了无 NMS 的 YOLO 检测,而 YOLO11 则改进了多任务灵活性。对于如今开始构建新生产部署的开发者,我们推荐 Ultralytics YOLO26。

YOLO26 于 2026 年 1 月发布,融合了两者的优势。它将 YOLOv10 的端到端、无需 NMS 的设计作为可选的一对一检测头(nms=False),简化部署流程并保持延迟稳定。YOLO26 还加入了面向边缘设备的优化:移除 DFL(移除 Distribution Focal Loss)简化了导出流程;YOLO26n 的 CPU 速度最高比 YOLO11n 快 43%,因此非常适合低功耗 IoT 设备和移动应用。

YOLO26 通过 MuSGD 优化器将大语言模型 (LLM)训练稳定性带入计算机视觉。该优化器结合了 SGD 和 Muon。结合 ProgLoss + STAL(渐进式损失和小目标感知标签分配),YOLO26 能提升小目标检测精度,这对精细的交通视频检测和复杂机器人自动化至关重要。

结论#

选择合适的视觉模型取决于你的具体运行条件。YOLOv10 是一项重要的研究里程碑,证明可以从 YOLO 检测流水线中移除 NMS。若要更好地平衡性能、任务灵活性和部署工具,YOLO11 提供了可靠且适用于企业的解决方案。

对于希望兼顾可选端到端推理和快速边缘性能的工程师,推荐迁移到 YOLO26。使用 Ultralytics Platform 可让项目始终建立在维护完善且高效的基础之上。

评论

提出问题、分享结果,或帮助其他人。