YOLO11 与 YOLOv5：Ultralytics 架构的综合技术对比
选择合适的神经网络架构对于任何 计算机视觉 项目来说都是关键的决策。随着 人工智能 领域的不断发展，开发者和研究人员可用的工具也在同步演进。这份综合指南对 Ultralytics 生态系统中的两个里程碑式模型进行了深入的技术对比：备受赞誉的 YOLOv5 和先进的 YOLO11。
无论你是要为 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，理解这些模型的架构差异、性能指标 以及理想使用场景，都能确保你根据具体的部署限制做出数据驱动的选择。
模型渊源与技术细节
这两个模型都体现了 Ultralytics 对开源协作、稳健性能和卓越易用性的承诺，因此深受全球机器学习社区的青睐。
YOLO11 详情
- 作者：Glenn Jocher 和 Jing Qiu
- 组织：Ultralytics
- 日期：2024-09-27
- GitHub: ultralytics/ultralytics
- 文档: YOLO11 文档
YOLOv5 详情
- 作者：Glenn Jocher
- 组织：Ultralytics
- 日期：2020-06-26
- GitHub: ultralytics/yolov5
- 文档: YOLOv5 文档
架构差异
从 YOLOv5 到 YOLO11 的演进引入了多项深远的架构改进，旨在优化准确度和参数效率。
YOLOv5 曾是 PyTorch 生态系统中的先驱，引入了高度优化的 CSPNet（跨阶段局部网络）骨干网和 PANet（路径聚合网络）颈部结构。它依赖于基于锚点的检测，需要预定义的 锚框 来预测物体边界。虽然非常有效，但针对自定义 计算机视觉数据集 调整这些锚框可能比较繁琐。
In contrast, YOLO11 transitions to a more modern, anchor-free detection paradigm. This eliminates the need for manual anchor box tuning, streamlining the training process and improving generalization across diverse datasets like the COCO dataset. Additionally, YOLO11 features a decoupled head, meaning classification and bounding box regression tasks are processed in separate branches. This separation significantly improves convergence speed and mean Average Precision (mAP), particularly for complex object detection scenarios.
性能指标与基准测试
下表对比了不同模型尺寸的关键指标。Ultralytics 模型以其对内存要求不高而闻名，与沉重的基于 Transformer 的替代方案相比，在训练期间通常消耗更少的 CUDA 内存，这大大降低了硬件门槛。
| 模型 | 尺寸 (像素) | mAPval 50-95 | 速度 CPU ONNX (ms) | 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 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
正如所见，YOLO11 实现了极其出色的性能平衡，在与 YOLOv5 对应模型参数量相当的情况下，持续提供更高的 mAP 分数。
训练方法与可用性
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作为支撑。
YOLOv5 历史上依赖于稳健的命令行接口 (CLI) 脚本（train.py, detect.py）来执行任务。虽然功能强大，但将这些脚本直接集成到自定义 Python 应用程序中往往需要变通方法。
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（如 ONNX, OpenVINO 和 TensorRT）格式的所有事务。
为了获得完全无代码的体验，开发者可以利用 Ultralytics Platform 来标注数据、在云端训练模型，并无缝地部署到边缘设备上。
代码对比
如今训练一个 Ultralytics 模型非常高效。以下是你如何使用其原生 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 进行训练如下所示：
# 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理想的使用场景与实际应用
这两个模型都具备针对不同操作环境的独特优势。
何时使用 YOLOv5
尽管有了更新的一代，YOLOv5 仍然是一个强劲的工具。它强烈推荐用于：
- 遗留系统集成： 深度集成 YOLOv5 特定张量结构或无法轻松重构的部署流水线的环境。
- 学术基准： 需要为 医学图像分析 领域的可重复学术研究提供既定、长期存在的基准的研究人员。
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：
- 多任务环境： 与主要是检测器（后来增加了分割功能）的 YOLOv5 不同，YOLO11 开箱即用，原生支持 实例分割、图像分类、姿态估计 和 旋转边界框 (OBB) 检测。
- High-Density Video Analytics: Ideal for intelligent traffic systems or retail inventory management where extracting maximum precision from complex scenes is critical.
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快速推进。追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 代表了一个巨大的飞跃，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： 已移除分布焦点损失 (DFL)，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 的突破性混合体，将 LLM 训练的稳定性引入计算机视觉，从而实现更快的收敛。
- CPU 推理速度提升高达 43%： 针对物联网部署和没有专用 GPU 的设备进行了深度优化。
- ProgLoss + STAL： 大幅改进的损失函数，在小目标识别方面取得了显著进步，这对航空无人机图像至关重要。
总结
在 YOLO11 和 YOLOv5 之间进行选择，最终取决于你项目的生命周期阶段。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，都极力推荐在旧版本之上使用 YOLO11。它结合了前沿的准确度、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。对于那些想要进一步突破界限的人来说，在 Ultralytics Platform 上探索最先进的 YOLO26 将会带来无与伦比的成果。