YOLO11 与 YOLOv8#

目标检测架构持续演进。在评估真实场景部署模型时，开发者通常会对比 Ultralytics YOLO11及其广泛采用的前代模型 Ultralytics YOLOv8。两种模型都以速度、准确率和开发者体验见长，但适用于略有不同的项目周期和性能目标。

本指南分析两种模型的架构、训练方法和理想用例，帮助你为人工智能项目选择合适的模型。

架构创新#

从 YOLOv8 迁移到 YOLO11 带来了多项架构改进，提升了特征提取效率并降低了计算开销。

YOLO11 架构#

YOLO11 注重参数效率。它用 C3k2 模块取代 C2f 模块，在不增加参数量的情况下改进空间特征处理。此外，YOLO11 还在骨干网络中引入了 C2PSA（跨阶段局部空间注意力）模块。这种注意力机制有助于模型聚焦关键感兴趣区域，从而提升小目标检测能力并更好地处理复杂遮挡。

• 作者： Glenn Jocher 和 Jing Qiu
• 组织： Ultralytics
• 日期： 2024-09-27
• GitHub： Ultralytics 代码库
• 文档：YOLO11 文档

YOLOv8 架构#

YOLOv8 比 YOLO11 早一年发布，为 Ultralytics YOLO 引入了无锚框检测头，免去了手动调整锚框的需要，也简化了损失函数的设计。其架构采用 C2f 模块，在网络深度和梯度流动之间实现平衡，因此能够可靠地应用于各种计算机视觉应用。

• 作者： Glenn Jocher、Ayush Chaurasia 和 Jing Qiu
• 组织： Ultralytics
• 日期： 2023-01-10
• GitHub： Ultralytics 代码库
• 文档：YOLOv8 文档

性能与基准测试#

将模型部署到 Raspberry Pi等边缘设备，或运行 NVIDIA TensorRT的高性能服务器时，了解速度与准确率之间的权衡至关重要。下表显示，YOLO11 在所有模型尺寸下的准确率都高于 YOLOv8。

分析指标#

YOLO11 的平均精度均值 (mAP)更高，同时参数量和浮点运算量 (FLOPs) 都更少。例如，YOLO11m 模型所需参数比 YOLOv8m 少 22%，但在 COCO 数据集上的 mAP 高出 1.3 个百分点。此外，导出为 ONNX 格式后的 CPU 推理速度表明，YOLO11 在所有尺寸下都更快（nano 模型为 56.1 毫秒，对比 80.4 毫秒），因此适合没有专用 GPU 加速的部署场景。

Ultralytics 生态系统的优势#

无论你选择 YOLO11 还是 YOLOv8，两种模型都能受益于 Ultralytics 生态，从而简化机器学习生命周期。

易于使用的简洁 API#

ultralytics Python 软件包提供精简的 API，工程师和研究人员只需几行代码就能训练、验证和导出模型。它将通常与搭建深度学习环境相关的复杂性封装起来，并通过 PyTorch实现这一点。

训练效率与内存需求#

与大型视觉 Transformer（如RT-DETR）不同，Ultralytics YOLO 模型以训练时内存占用低而闻名。这种内存效率让开发者可以在消费级 GPU 或 Google Colab 等云环境中训练准确的网络，而不会遇到内存不足错误。

适用于各类视觉任务#

YOLO11 和 YOLOv8 都是多任务模型。除了标准的边界框目标检测，它们还原生支持实例分割、图像分类、人体姿态估计，以及适用于航空影像的有向边界框 (OBB)。

用例与建议#

在 YOLO11 和 YOLOv8 之间做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：需要借助精简的 Ultralytics Python API，快速完成从数据收集到生产部署的团队。

何时选择 YOLOv8#

以下情况推荐使用 YOLOv8：

• 多任务部署的灵活选择： 适用于需要在 Ultralytics 生态中使用成熟模型进行检测、分割、分类、姿态估计和 OBB 的项目。
• 成熟的生产系统： 已经基于 YOLOv8 架构构建、并拥有稳定且经过充分测试的部署流水线的现有生产环境。
• 广泛的社区与生态系统支持： 能够受益于 YOLOv8 丰富教程、第三方集成和活跃社区资源的应用。

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；YOLO26 的 CPU 推理速度最高可提升 43%（YOLO26n 对比 YOLO11n），具有决定性优势。
• 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。

代码示例：快速入门#

训练和部署 Ultralytics 模型只需几行代码。以下示例展示了如何加载预训练的 YOLO11 模型，在自定义数据集上微调，并使用 Apple CoreML 导出模型以部署到边缘设备：

from ultralytics import YOLO

# 初始化 YOLO11 small 模型
model = YOLO("yolo11s.pt")

# 在优化内存需求的同时高效训练模型
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# 评估验证集性能
metrics = model.val()

# 在测试图像上运行实时推理
predictions = model("https://ultralytics.com/images/bus.jpg")

# 导出为 CoreML，以便快速部署到移动设备
export_path = model.export(format="coreml")

展望未来：使用 YOLO26 实现边缘 AI#

YOLO11 是一种成熟且功能强大的架构，但对于要启动新项目的开发者，Ultralytics YOLO26（2026 年 1 月发布）是推荐模型。

YOLO26 增加了多项新功能：

• 端到端无 NMS 设计： YOLO26 基于 YOLOv10 探索的理念，提供可选的一对一检测头 (nms=False)，跳过非极大值抑制 (NMS) 后处理，从而在各种部署硬件上实现更低且更可预测的延迟。
• CPU 推理速度最高提升 43%： 移除分布焦点损失 (DFL) 分支后，YOLO26n 在 CPU 上的运行速度最高比 YOLO11n 快 43%，适合缺少高性能 GPU 的边缘计算设备。
• MuSGD 优化器： YOLO26 借鉴大语言模型 (LLM)训练技术，采用 SGD 和 Muon 的混合优化器 MuSGD，实现稳定、快速的训练收敛。
• ProgLoss + STAL： 渐进损失和小目标感知标签分配 (STAL) 可提升对小目标和遮挡目标的识别能力，这对自主机器人和无人机分析至关重要。

无论你依赖 YOLOv8 久经验证的可靠性、YOLO11 优化后的架构，还是 YOLO26 的新一代能力，Ultralytics Platform 都能提供所需工具，帮助你将视觉 AI 应用从构想到投入生产。Ultralytics 的集成可将你的模型连接到企业工作流和分析仪表板。