Ultralytics YOLO27：
Get Started

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步。评估真实部署所用模型时，开发者经常会比较 Ultralytics YOLO11和其广受欢迎的前代模型 Ultralytics YOLOv8各自的优势。两种模型都为速度、精度和开发体验树立了行业标准，但适用的项目生命周期和性能门槛略有不同。

本指南深入分析两种模型的架构、训练方法和理想应用场景，帮助你为人工智能项目选择最佳解决方案。

架构创新#

从 YOLOv8 过渡到 YOLO11 时，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，同时尽量减少计算开销。

YOLO11 架构#

YOLO11 在参数利用效率优化方面实现了重大飞跃。它用先进的 C3k2 模块取代传统的 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 还在主干网络中引入了 C2PSA（跨阶段局部空间注意力）模块。该注意力机制让模型能够聚焦于关键感兴趣区域，大幅提升小目标检测能力，并更好地处理复杂遮挡。

YOLOv8 架构#

YOLOv8 于前一年发布，率先采用无锚框检测头，免去了手动调整锚框的需求，也简化了损失函数。其架构主要依赖 C2f 模块，该设计成功平衡了网络深度与梯度流，使模型在各种计算机视觉应用中都表现得非常稳健。

设计理念

YOLOv8 为 Ultralytics 生态系统中的无锚框检测奠定了基础，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更高精度。

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，理解速度与精度之间的权衡至关重要。下表显示，在所有尺寸的变体中，YOLO11 的精度始终优于 YOLOv8。

模型尺寸
(像素)		mAP验证集
50-95		速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
（ms）		参数
(M)		FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

分析指标#

YOLO11 的平均精度均值 (mAP)明显更高，同时参数量和浮点运算次数 (FLOPs)都更低。例如，YOLO11m 模型的参数量比 YOLOv8m 少 22%，但在 COCO 数据集上的 mAP 高 1.3 个点。此外，导出为 ONNX 格式后的 CPU 推理速度表明，YOLO11 快得多，因此非常适合缺少专用 GPU 加速的部署环境。

Ultralytics 生态系统的优势#

无论你选择 YOLO11 还是 YOLOv8，都能受益于全面的 Ultralytics 生态系统，大幅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#

与体量庞大的视觉 Transformer（如 RT-DETR）不同，Ultralytics YOLO 模型以训练期间内存占用低而闻名。这种内存效率让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，而不会遇到内存溢出错误。

适用于各类视觉任务#

YOLO11 和 YOLOv8 都是真正的多任务学习模型。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 之间做出选择，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#

以下场景适合选择 YOLO11：

何时选择 YOLOv8#

以下情况推荐使用 YOLOv8：

  • 多任务灵活部署： 在 Ultralytics 生态系统中，需要使用经过验证的模型来完成检测、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：适用于没有专用 GPU 加速的设备，此时 YOLO26 的 CPU 推理速度最高提升 43%，可带来显著优势。
  • 小目标检测：适用于无人机航拍影像等具有挑战性的场景，或 IoT 传感器分析等需要 ProgLoss 和 STAL 大幅提升微小目标准确率的场景。

代码示例：快速入门#

部署和训练 Ultralytics 模型非常直观。以下示例演示如何加载预训练的 YOLO11 模型、使用自定义数据集对其进行微调，并将其导出以通过 Apple CoreML进行边缘部署：

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")
无缝升级

由于 Ultralytics API 已标准化，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" 改为 "yolo11n.pt"。

展望未来：YOLO26，边缘 AI 的巅峰#

YOLO11 是一种成熟且功能强大的架构，但 AI 创新仍在快速发展。对于启动新项目且追求极致性能的开发者，Ultralytics YOLO26（于 2026 年 1 月发布）是首选推荐。

YOLO26 凭借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： YOLO26 基于 YOLOv10 探索的理念，提供可选的一对一检测头（nms=False），无需进行非极大值抑制（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%： YOLO26 完全移除分布焦点损失（DFL）分支，专为缺少强大 GPU 的边缘计算设备进行了优化。
  • MuSGD 优化器： YOLO26 借鉴大语言模型（LLM）的训练技术，采用混合型 MuSGD 优化器，确保训练收敛过程异常稳定且快速。
  • 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效果，这对于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 的新一代功能，Ultralytics Platform 都能提供必要的工具，帮助你将视觉 AI 应用从概念顺利推向生产环境。请务必了解丰富的集成方案，以便将模型连接到企业工作流和分析仪表板。

贡献者
GLglenn-jocher17PDpderrenger2

评论