在 GitHub 上编辑页面 (EN)

YOLO11 vs YOLOv8：实时视觉模型的全面技术对比

随着目标检测架构的不断演进，计算机视觉领域取得了显著的进步。在评估用于实际部署的模型时，开发者通常会对比 Ultralytics YOLO11 及其极其成功的前身 Ultralytics YOLOv8 的优势。这两个模型都在速度、准确性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阈值。

本指南深入分析了它们的架构、训练方法和理想应用场景，旨在帮助你为你的 人工智能 项目选择最佳解决方案。

架构创新

从 YOLOv8 到 YOLO11 的转换引入了几项关键的架构改进，旨在最大化特征提取效率，同时最小化计算开销。

YOLO11 架构

YOLO11 代表了在参数使用优化方面的重大飞跃。它用先进的 C3k2 块替换了传统的 C2f 模块，在不增加参数数量的情况下增强了空间特征处理能力。此外，YOLO11 在其主干网络中引入了 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专注于关键感兴趣区域，极大地改善了 小目标检测 并应对复杂的遮挡问题。

了解关于 YOLO11 的更多信息

YOLOv8 架构

YOLOv8 发布于一年前，它开创了向无锚点（anchor-free）检测头的转变，消除了手动调整锚框（anchor boxes）的需要，并简化了损失函数的制定。其架构在很大程度上依赖于 C2f 块，这种设计成功平衡了网络深度和梯度流，使其在广泛的 计算机视觉应用 中表现得极其稳健。

了解更多关于 YOLOv8 的信息

设计理念

尽管 YOLOv8 为 Ultralytics 生态系统中的无锚点检测奠定了基础，但 YOLO11 通过空间注意力机制改进了这一方法，在占用更少计算资源的情况下实现了更高的准确性。

性能与基准测试

当将模型部署到 Raspberry Pi 等边缘设备或运行 NVIDIA TensorRT 的高性能服务器时，理解速度与准确性之间的权衡至关重要。下表展示了 YOLO11 在所有尺寸变体中如何始终优于 YOLOv8。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数
(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 实现了明显更高的平均精度均值（mAP），同时降低了参数数量和浮点运算量（FLOPs）。例如，YOLO11m 模型比 YOLOv8m 的参数减少了 22%，但在 COCO 数据集 上实现了 1.3% 的 mAP 提升。此外，当导出为 ONNX 格式 时，CPU 推理速度显示 YOLO11 明显更快，使其成为缺乏专用 GPU 加速 的部署环境的理想选择。

Ultralytics 生态系统的优势

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，该系统极大地简化了机器学习生命周期。

易用性与简单的 API

ultralytics Python 包提供了一个精简的 API，允许工程师和研究人员只需几行代码即可完成模型的训练、验证和导出。这抽离了在 PyTorch 中设置深度学习环境时常见的复杂性。

训练效率与内存需求

与沉重的 Vision Transformers（如 RT-DETR）不同，Ultralytics YOLO 模型以训练过程中的低内存占用而闻名。这种内存效率使开发者能够在消费级 GPU 或 Google Colab 等云环境中训练最先进的网络，而不会遇到内存不足（OOM）错误。

视觉任务的多功能性

YOLO11 和 YOLOv8 都是真正的多任务学习者。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 旋转边界框 (OBB)。

用例与建议

选择 YOLO11 还是 YOLOv8 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 是以下场景的有力选择：

  • 生产边缘部署： 在 Raspberry Pi 或 NVIDIA Jetson 等设备上的商业应用，这些场景中可靠性和积极的维护至关重要。
  • 多任务视觉应用： 需要在单个统一框架内进行 检测、分割、姿态估计 和 OBB 的项目。
  • 快速原型设计与部署： 需要使用精简的 Ultralytics Python API 快速从数据收集过渡到生产环境的团队。

何时选择 YOLOv8

推荐在以下情况下使用 YOLOv8：

  • 多任务通用部署： 需要在 Ultralytics 生态系统内使用经过验证的模型进行 检测、分割、分类 和 姿态估计 的项目。
  • 已建立的生产系统： 已经基于 YOLOv8 架构构建且拥有稳定、经过充分测试的部署流水线的现有生产环境。
  • 广泛的社区和生态系统支持： 能从 YOLOv8 丰富的教程、第三方集成和活跃的社区资源中受益的应用。

何时选择 Ultralytics (YOLO26)

对于大多数新项目，Ultralytics YOLO26 提供了性能与开发者体验的最佳结合：

  • 无需 NMS 的边缘部署： 需要持续、低延迟推理且无需复杂非极大值抑制后处理的应用。
  • 仅 CPU 环境： 在没有专用 GPU 加速的设备上，YOLO26 的 CPU 推理速度提升高达 43%，这提供了决定性优势。
  • 小目标检测： 具有挑战性的场景，如 航拍无人机图像 或 IoT 传感器分析，ProgLoss 和 STAL 在小目标上显著提升了准确性。

代码示例：快速入门

部署和训练 Ultralytics 模型非常直观。以下示例展示了如何加载预训练的 YOLO11 模型、在自定义数据集上进行微调，并将其导出以使用 Apple CoreML 进行边缘部署：

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 已经标准化，将现有管道从 YOLOv8 升级到 YOLO11 通常只需将权重字符串从 "yolov8n.pt" 更改为 "yolo11n.pt" 即可。

展望未来：YOLO26 带来的边缘 AI 巅峰

虽然 YOLO11 代表了一种成熟且功能强大的架构，但 AI 创新的步伐仍在继续。对于需要最前沿性能以启动新项目的开发者，推荐使用 Ultralytics YOLO26（2026 年 1 月发布）。

YOLO26 通过几项开创性功能突破了计算机视觉的界限：

  • 端到端无 NMS 设计： 在 YOLOv10 探索概念的基础上，YOLO26 原生消除了非极大值抑制（NMS）后处理，从而在所有部署硬件上实现更低、更可预测的延迟。
  • CPU 推理速度提升高达 43%： 通过完全移除分布焦点损失（DFL）分支，YOLO26 专门针对缺乏强大 GPU 的 边缘计算设备 进行了优化。
  • MuSGD 优化器： 受大语言模型（LLM）训练技术的启发，YOLO26 利用了混合 MuSGD 优化器，确保了极其稳定且快速的训练收敛。
  • ProgLoss + STAL： 这些先进的损失函数在微小和严重遮挡目标的识别方面带来了显著改进，这对于自主机器人和无人机分析至关重要。

无论你是依赖 YOLOv8 经证实的可靠性、YOLO11 的优化架构，还是 YOLO26 的下一代功能，Ultralytics 平台 都能确保你拥有将视觉 AI 应用从概念无缝推向生产所需的工具。请务必探索广泛的 集成，以便将你的模型与企业工作流程和分析仪表板连接起来。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher11PDpderrenger1

评论