Meet YOLO26: next-gen vision AI.

Link to this sectionYOLO11 与 YOLOv5#

为任何 计算机视觉 项目选择正确的神经网络架构都是一项关键决定。随着 人工智能 领域的不断发展，提供给开发者和研究人员的工具也在日益更新。本综合指南深入对比了 Ultralytics 生态系统中的两个里程碑式模型：广受好评的 YOLOv5 和先进的 YOLO11。

无论你是为 边缘 AI 应用部署轻量级模型，还是在云端 GPU 上处理高分辨率视频流，了解这些模型的架构细节、性能指标 和理想应用场景，都能确保你针对特定的部署限制做出数据驱动的选择。

Link to this section模型传承与技术细节#

这两款模型都体现了 Ultralytics 对开源协作、强大性能和卓越易用性的承诺，这使它们深受全球机器学习社区的青睐。

Link to this sectionYOLO11 详情#

了解更多关于 YOLO11 的信息

Link to this sectionYOLOv5 详情#

了解更多关于 YOLOv5 的信息

Link to this section架构差异#

从 YOLOv5 到 YOLO11 的演进引入了多项重大的架构转变，旨在优化准确性和参数效率。

YOLOv5 是 PyTorch 生态系统的先行者，引入了高度优化的 CSPNet（跨阶段局部网络）主干和 PANet（路径聚合网络）颈部结构。它依赖于基于锚框（anchor-based）的检测，需要预定义的 锚框 来预测目标边界。虽然非常有效，但针对自定义 计算机视觉数据集 调整这些锚框可能会很麻烦。

相比之下，YOLO11 转向了一种更现代的无锚点（anchor-free）检测范式。这消除了手动调整锚框（anchor box）的需要，简化了训练过程并提高了在诸如 COCO dataset 等各种数据集上的泛化能力。此外，YOLO11 采用了解耦头（decoupled head），这意味着分类和边界框回归任务是在独立的分支中处理的。这种分离显著提高了收敛速度和 mean Average Precision (mAP)，特别是在复杂的 object detection 场景中。

Link to this section性能指标与基准#

下表对比了不同模型大小的关键指标。Ultralytics 模型以其内存需求而闻名，与繁重的 Transformer 类模型相比，它们在训练期间通常消耗更少的 CUDA 内存，这大大降低了硬件准入门槛。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数量
(M)		FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4

如上所述，YOLO11 实现了非常理想的性能平衡，在与 YOLOv5 相当的参数量下始终提供更高的 mAP 分数。

Link to this section训练方法与易用性#

Ultralytics 理念的核心原则是卓越的易用性，并由完善的生态系统和广泛的社区支持提供保障。

YOLOv5 历来依赖强大的命令行接口 (CLI) 脚本（train.py、detect.py）进行执行。虽然功能强大，但将这些脚本直接集成到自定义 Python 应用程序中通常需要变通方法。

YOLO11 通过引入精简的 ultralytics Python 包彻底改变了这一点。这个统一的 API 可以处理从训练到 导出模型 格式（如 ONNX、OpenVINO 和 TensorRT）的所有流程。

通过 Ultralytics 平台实现精简部署

对于完全无需编写代码的体验，开发者可以使用 Ultralytics 平台 来标注数据、在云端训练模型，并无缝部署到边缘设备。

Link to this section代码对比#

现在训练一个 Ultralytics 模型效率非常高。以下是你如何使用原生 Python API 训练 YOLO11 的方法：

from ultralytics import YOLO

# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on custom data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Export the model to ONNX for deployment
model.export(format="onnx")

对于使用 YOLOv5 的遗留系统，通过 CLI 训练的方式如下：

# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt

Link to this section理想用例与实际应用#

两款模型都具备针对不同操作环境的独特优势。

Link to this section何时使用 YOLOv5#

尽管有了新一代模型，YOLOv5 仍然是一个强有力的工具。强烈建议在以下情况下使用它：

  • 遗留系统集成： 与 YOLOv5 特定的张量结构或部署流水线深度集成的环境，且无法轻松重构。
  • 学术基准： 需要为 医学图像分析 中的可重复学术研究提供既定且长期存在基准的研究人员。

Link to this section何时使用 YOLO11#

YOLO11 因其令人难以置信的多功能性，成为现代生产流水线的理想选择：

Link to this section展望未来：YOLO26 架构#

虽然 YOLO11 是一个卓越的标准，但计算机视觉的前沿仍在迅速推进。寻求极致效率的开发者也应该考虑最新的 Ultralytics YOLO26（于 2026 年 1 月发布）。

YOLO26 代表了巨大的飞跃，专门为边缘优化和企业级规模而设计。关键创新包括：

  • 端到端无 NMS 设计： YOLO26 原生支持端到端，消除了 非极大值抑制 (NMS) 后处理，从而实现更快、更简单的部署。
  • 移除 DFL： 移除了分布焦点损失（Distribution Focal Loss），以简化模型导出并增强对低功耗设备的兼容性。
  • MuSGD 优化器： SGD 和 Muon 的开创性混合体，将 LLM 训练的稳定性引入计算机视觉，以实现更快的收敛。
  • CPU 推理速度提升高达 43%： 针对 IoT 部署和没有专用 GPU 的设备进行了深度优化。
  • ProgLoss + STAL： 显著改进的损失函数，在小目标识别方面取得了显著进步，这对无人机航拍图像至关重要。

了解更多关于 YOLO26 的信息

Link to this section总结#

在 YOLO11 和 YOLOv5 之间进行选择，最终取决于你项目所处的生命周期阶段。YOLOv5 的遗产不可否认，它提供了极高的稳定性和庞大的社区支持。然而，对于任何新项目，强烈建议使用 YOLO11 而非旧代模型。它结合了尖端的准确性、极其优雅的 Python API 以及更低的训练内存开销，巩固了 Ultralytics 在 AI 创新前沿的地位。对于那些希望进一步突破极限的人来说，在 Ultralytics 平台 上探索最先进的 YOLO26 将产生无与伦比的成果。

贡献者
GLglenn-jocher14

评论