Ultralytics YOLO27：

YOLO11 与 YOLOv8#

随着目标检测架构不断演进，计算机视觉领域取得了显著进展。在评估用于实际部署的模型时，开发者通常会比较 Ultralytics YOLO11 及其大获成功的前代模型 Ultralytics YOLOv8 的优势。这两个模型都在速度、准确率和开发者体验方面树立了行业标准，但它们分别适用于略有不同的项目生命周期和性能要求。

本指南将深入分析它们的架构、训练方法和理想使用场景，帮助你为 人工智能 项目选择最佳解决方案。

架构创新#

从 YOLOv8 到 YOLO11 的过渡引入了多项关键架构改进，旨在最大限度地提升特征提取效率，同时尽量降低计算开销。

YOLO11 架构#

YOLO11 在优化参数使用方面实现了重大突破。它用先进的 C3k2 模块取代了传统的 C2f 模块，在不大幅增加参数量的情况下增强了空间特征处理能力。此外，YOLO11 还在其骨干网络中引入了 C2PSA（跨阶段部分空间注意力）模块。这种注意力机制使模型能够聚焦于关键感兴趣区域，显著提升 小目标检测 能力，并更好地处理复杂遮挡。

YOLOv8 架构#

YOLOv8 早一年发布，率先转向无锚框检测头，免去了手动调整锚框的需求，并简化了损失函数形式。其架构高度依赖 C2f 模块，这种设计成功平衡了网络深度和梯度流，使其能够在广泛的 计算机视觉应用 中表现出极强的稳健性。

设计理念

YOLOv8 为 Ultralytics 生态系统中的无锚框检测奠定了基础，而 YOLO11 则通过空间注意力机制进一步改进了这一方法，以更少的计算资源实现了更高的准确率。

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，理解速度与准确率之间的权衡至关重要。下表展示了 YOLO11 如何在所有尺寸变体上持续优于 YOLOv8。

模型尺寸
（像素）		mAPval
50-95		速度
CPU ONNX
（毫秒）		速度
T4 TensorRT10
（毫秒）		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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8

指标分析#

YOLO11 在提高平均精度均值（mAP）的同时，还减少了参数量和浮点运算次数（FLOPs）。例如，YOLO11m 模型的参数量比 YOLOv8m 少 22%，但在 COCO 数据集 上的 mAP 高出 1.3%。此外，导出为 ONNX 格式 后的 CPU 推理速度表明，YOLO11 明显更快，因此非常适合部署在缺少专用 GPU 加速 的环境中。

Ultralytics 生态系统优势#

无论你选择 YOLO11 还是 YOLOv8，这两个模型都受益于完善的 Ultralytics 生态系统，而该生态系统能够大幅简化机器学习生命周期。

易于使用的简单 API#

ultralytics Python 软件包提供了简洁的 API，使工程师和研究人员只需编写几行代码即可训练、验证和导出模型。它抽象隐藏了在 PyTorch 中设置深度学习环境时通常涉及的复杂性。

训练效率与内存需求#

与大型 视觉 Transformer（例如 RT-DETR）不同，Ultralytics YOLO 模型以训练期间较低的内存占用而闻名。这种内存效率使开发者能够在消费级 GPU 或 Google Colab 等云环境中训练先进网络，而不会遇到内存不足错误。

跨视觉任务的多功能性#

YOLO11 和 YOLOv8 都是真正的多任务学习器。除了标准的边界框 目标检测 外，它们还原生支持 实例分割、图像分类、人体 姿态估计，以及用于航空影像的 定向边界框（OBB）。

使用场景与建议#

在 YOLO11 和 YOLOv8 之间进行选择，取决于你的具体项目需求、部署限制和生态系统偏好。

何时选择 YOLO11#

YOLO11 适合以下场景：

  • 生产级边缘部署： 在 Raspberry Pi 或 NVIDIA Jetson 等设备上运行的商业应用，其中可靠性和持续维护至关重要。
  • 多任务视觉应用： 需要在统一框架中实现检测、分割、姿态估计和 OBB 的项目。
  • 快速原型开发与部署： 需要借助简洁高效的 Ultralytics Python API，快速完成从数据采集到生产部署的团队。

何时选择 YOLOv8#

以下情况推荐使用 YOLOv8：

  • 通用多任务部署： 需要在 Ultralytics 生态系统中使用成熟模型执行检测、分割、分类和姿态估计的项目。
  • 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程的现有生产环境。
  • 广泛的社区和生态系统支持： 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 在性能和开发者体验之间提供了最佳组合：

  • 无 NMS 边缘部署： 适用于需要稳定、低延迟推理，同时又不希望引入非极大值抑制后处理复杂性的应用。
  • 仅使用 CPU 的环境： 适用于没有专用 GPU 加速的设备，此时 YOLO26 最高提升 43% 的 CPU 推理速度将带来决定性优势。
  • 小目标检测： 适用于航空无人机影像或 IoT 传感器分析等具有挑战性的场景，在这些场景中，ProgLoss 和 STAL 能显著提升微小目标的准确率。

代码示例：快速入门#

部署和训练 Ultralytics 模型非常直观。下面的示例演示了如何加载预训练的 YOLO11 模型，在自定义数据集上对其进行微调，并使用 Apple CoreML 将其导出以部署到边缘设备：

from ultralytics import YOLO

# Initialize the YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model efficiently with optimized memory requirements
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Evaluate the validation performance
metrics = model.val()

# Run real-time inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export to CoreML for fast mobile deployment
export_path = model.export(format="coreml")
无缝升级

由于 Ultralytics API 已实现标准化，将旧版流水线从 YOLOv8 升级到 YOLO11 通常只需将权重字符串从 "yolov8n.pt" 更改为 "yolo11n.pt"。

展望未来：借助 YOLO26 实现边缘 AI 的巅峰#

尽管 YOLO11 代表了成熟且功能强大的架构，但 AI 创新的快速步伐仍在持续。对于启动新项目且需要极致性能和最前沿能力的开发者，Ultralytics YOLO26（于 2026 年 1 月发布）是终极推荐。

YOLO26 通过多项突破性功能拓展了计算机视觉的边界：

  • 端到端无 NMS 设计： 基于 YOLOv10 中探索的理念，YOLO26 原生取消了非极大值抑制（NMS）后处理，从而在所有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%： 通过彻底移除分布式焦点损失（DFL）分支，YOLO26 专门针对缺少强大 GPU 的 边缘计算设备 进行了优化。
  • MuSGD 优化器： YOLO26 受到大语言模型（LLM）训练技术的启发，采用混合 MuSGD 优化器，确保训练收敛过程极其稳定且快速。
  • ProgLoss + STAL： 这些先进的损失函数显著提升了微小目标和严重遮挡目标的识别能力，这对于自主机器人和基于无人机的分析至关重要。

无论你依赖 YOLOv8 久经验证的可靠性、YOLO11 经过优化的架构，还是 YOLO26 的新一代能力，Ultralytics Platform 都能确保你拥有将视觉 AI 应用顺利从概念推向生产所需的工具。请务必了解可用的广泛 集成，以便将你的模型连接到企业工作流和分析仪表板。

贡献者
GLglenn-jocher16PDpderrenger2

评论