Meet YOLO26: next-gen vision AI.

Link to this sectionYOLO11 与 YOLOv6-3.0 对比#

计算机视觉领域发展迅速，选择合适的模型架构对于机器学习从业者来说是一项关键决策。实时目标检测进程中的两个重要里程碑是 YOLO11 和 YOLOv6-3.0。虽然这两个模型在从视觉数据中提取洞察方面都提供了令人印象深刻的功能，但它们开发时的主要目标和设计理念各不相同。

本指南提供了深入的技术分析，对比了它们的架构、性能指标和理想部署场景，旨在帮助你为下一个 AI 项目做出明智的决定。

Link to this section模型概述#

在深入探讨技术基准测试之前，先了解每个模型的起源和核心重点会很有帮助。

Link to this sectionUltralytics YOLO11#

YOLO11 原生开发于 Ultralytics 生态系统内，旨在提供流畅的端到端开发体验。它不仅强调原始速度，还强调多任务通用性、易用性以及与现代部署流水线的集成。

了解更多关于 YOLO11 的信息

Link to this section美团 YOLOv6-3.0#

YOLOv6-3.0 是专门为拥有专用图形处理器 (GPU) 的工业应用量身定制的。它针对 TensorRT 部署进行了深度优化，专注于在受控环境中实现最大吞吐量。

了解更多关于 YOLOv6 的信息

Link to this section架构差异#

底层架构决定了模型的学习和扩展方式。这两个框架都为经典的 YOLO 公式引入了独特的增强功能。

YOLO11 builds upon years of research to deliver an architecture that is incredibly parameter-efficient. It features an advanced backbone and a generalized head capable of handling diverse computer vision tasks—such as instance segmentation and pose estimation—without requiring massive structural overhauls. Furthermore, YOLO11 boasts exceptionally low CUDA memory requirements during training, setting it apart from bulkier transformer models like RT-DETR.

相反，YOLOv6-3.0 采用了双向连接 (BiC) 模块和锚点辅助训练 (AAT) 策略。这些机制旨在提高定位精度。该架构主要采用解耦设计，并经过深度量化以支持 INT8 模型推理，使其成为在旧版 GPU 堆栈上运行的高速制造生产线的强有力竞争者。

选择合适的框架

如果你的项目需要快速原型设计、多任务支持（如分割或分类），以及跨不同硬件（CPU、Edge TPU、Mobile）的部署，那么 Ultralytics 框架能提供显著更流畅的开发体验。

Link to this section性能与指标#

在评估模型时，平均精度均值 (mAP) 和推理速度至关重要。下表比较了 YOLO11 与 YOLOv6-3.0 在各种模型规模下的性能。表现最好的指标已用粗体标出。

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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

正如所展示的那样，YOLO11 在同等规模下始终以更少的参数和 FLOPs 实现更高的精度 (mAP)。这种参数效率直接转化为在模型训练和推理过程中更低的内存需求。

Link to this sectionUltralytics 的优势#

选择模型不仅仅是关于原始指标，更是关于整个机器学习生命周期。Ultralytics 模型为开发者和研究人员提供了明显的优势。

  1. 易用性： Ultralytics Python API 让你只需几行代码即可完成模型的训练、验证和导出。无需手动配置复杂的依赖树。
  2. 维护良好的生态系统： Ultralytics 提供了一个定期更新的统一生态系统。通过使用 Ultralytics 平台，开发者可以获得数据集协同标注、云端训练以及无缝模型监控等功能。
  3. 通用性： 与主要作为边界框检测器的 YOLOv6-3.0 不同，YOLO11 原生支持图像分类和旋转边界框 (OBB)，让你能够整合你的技术栈。
  4. 训练效率： 利用现代优化技术和自动批处理，YOLO11 在消费级硬件上也能高效训练，让最先进的视觉 AI 触手可及。

Link to this section代码示例：训练与推理#

使用 Ultralytics 模型非常直观。下面是一个 100% 可运行的示例，展示了如何使用 Ultralytics 包进行训练和运行推理。

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model efficiently on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image from the web
prediction = model("https://ultralytics.com/images/bus.jpg")

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

Link to this section理想使用场景#

了解每个模型的优势所在，可以确保你为任务选择正确的工具。

何时选择 YOLOv6-3.0： 如果你维护的是一套专门围绕特定 TensorRT 7.x/8.x 流水线构建的传统工业系统，且你的硬件全部由专用的 NVIDIA T4 或 A100 GPU 组成，用于高速制造自动化，那么 YOLOv6 仍然是一个可行且强大的引擎。

何时选择 YOLO11： 对于几乎所有现代应用，YOLO11 都是更优的选择。无论你是在构建智能制造解决方案、在 Raspberry Pi 设备上部署边缘 AI，还是执行如检测和分割医学图像等多任务操作，YOLO11 都能提供速度、精度和部署灵活性之间的最佳平衡。

Link to this section展望未来：前沿的 YOLO26#

虽然 YOLO11 代表了一次巨大的飞跃，但 Ultralytics 始终在不断推动计算机视觉的边界。发布于 2026 年 1 月的全新 YOLO26 模型系列代表了绝对的最先进水平，是所有新项目的推荐模型。

YOLO26 引入了多项专门针对现代部署挑战而设计的突破性功能：

  • 端到端无 NMS 设计： 基于 YOLOv10 开创的概念，YOLO26 原生支持端到端。它彻底消除了非极大值抑制 (NMS) 后处理，从而实现了更快、更简单的部署流水线。
  • 移除 DFL： 通过移除分布焦点损失 (Distribution Focal Loss)，YOLO26 简化了网络头部，极大地增强了与低功耗物联网 (IoT) 和边缘设备的兼容性。
  • MuSGD 优化器： 受大语言模型 (LLM) 训练创新（如月之暗面科技的 Kimi K2）的启发，YOLO26 使用了混合 Muon-SGD 优化器，确保了无与伦比的训练稳定性和更快的收敛速度。
  • CPU 推理速度提升高达 43%： 对于在没有专用 GPU 加速器的情况下运行的应用，YOLO26 已针对原始 CPU 吞吐量进行了深度优化。
  • ProgLoss + STAL： 这些先进的损失函数在小目标识别方面取得了显著改进，这对于无人机影像和空中监控至关重要。
  • 特定任务的改进： YOLO26 在所有任务中都包含了定制化增强，例如用于分割的多尺度原型和用于姿态估计的残差对数似然估计 (RLE)。

如果你今天正在启动一个新的计算机视觉计划，利用 Ultralytics 平台 来训练 YOLO26 模型，将确保你的应用程序建立在目前最高效、最准确且面向未来的架构之上。

对于有兴趣探索开放词汇检测的开发者，你也可以查阅我们关于 YOLO-World 的文档。

贡献者
GLglenn-jocher13PDpderrenger1

评论