跳转至内容

YOLO11 与 YOLOX：全面技术比较

对于开发人员和研究人员来说，选择最佳物体检测模型是一项关键决策，其目的是在准确性、推理速度和易于部署之间取得平衡。本技术分析深入比较了 Ultralytics YOLO11和 Megvii 的开创性无锚检测器YOLOX 进行了深入比较。YOLOX 在 2021 年进行了重大创新，而YOLO11 则代表了下一代计算机视觉技术，具有更强的通用性、卓越的性能指标和统一的开发生态系统。

Ultralytics YOLO11：视觉人工智能的新标准

YOLO11 是著名的YOLO 系列的最新旗舰型号，由Ultralytics 推出，旨在重新定义实时计算机视觉的可能性。在前代产品的基础上，YOLO11 在架构上进行了改进，大大提高了特征提取能力和处理效率。

架构与核心能力

YOLO11 采用最先进的无锚点架构，优化了计算成本与检测精度之间的权衡。与仅依赖边界框回归的传统模型不同，YOLO11 是一个多任务框架。它原生支持多种视觉任务，包括物体检测、实例分割、姿势估计 、图像分类和定向边框检测。

适用于所有任务的统一应用程序接口

YOLO11 使用一个Python 接口来完成所有支持的任务，从而简化了开发工作流程。从检测到分割的切换非常简单，只需加载不同的模型权重文件（例如、 yolo11n-seg.pt）。

主要优势

  • 最先进的性能： YOLO11 实现更高的 mAP与之前的迭代版本和竞争对手相比，YOLO11 在COCO 基准上获得了更高的 mAP 分数，而且使用的参数更少。
  • 广泛的多功能性：在同一代码库中执行分割、分类和姿势估计 能力，消除了学习多个框架的需要。
  • 部署灵活：模型可无缝导出为以下格式 ONNX, TensorRT、CoreML 和TFLite 等格式，确保与从边缘设备到云 GPU 的各种硬件兼容。
  • 以用户为中心的设计：注重易用性，开发人员只需使用最少的代码就能训练、验证和部署模型。

了解更多关于 YOLO11 的信息

YOLOX：无锚先锋

YOLOX 由 Megvii 于 2021 年发布，是物体检测领域的变革性产品。它与当时常见的基于锚点的方法（如 YOLOv4 和YOLOv5）不同，采用了无锚点机制和解耦的头部结构。

建筑亮点

YOLOX 的与众不同之处在于它的解耦头，将分类和回归任务分成了不同的分支。这种设计结合其SimOTA标签分配策略，使其无需复杂的手动调整锚箱超参数就能实现强大的性能。

优势与局限

  • 无锚设计：通过去除锚点，YOLOX 简化了训练流程，并提高了对不同物体形状的泛化能力。
  • 坚实的基线：它仍然是研究无锚检测方法的重要参考点。
  • 范围有限：与YOLO11 不同，YOLOX 主要是一个对象检测器，缺乏对复杂的下游任务（如分割或姿势估计 ）的本地支持。
  • 生态系统分散：虽然它是开源的，但缺乏Ultralytics 生态系统中统一、积极维护的工具，通常需要更多的人工来进行集成和部署。

了解更多关于 YOLOX 的信息

性能分析

下表直接比较了COCO 数据集的主要性能指标。YOLO11 在效率方面表现出明显的优势，其精确度mAP）显著提高，而计算需求却与之相当或有所降低。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
(毫秒)		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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

指标分解

  1. 精度（mAP）： YOLO11 在所有模型规模上都优于 YOLOX。例如，YOLO11s 达到 47.0mAP，超过了 YOLOX-m（46.9mAP），尽管 YOLOX-m 是一个更大的模型类别，其 FLOPs 几乎是 YOLOX 的 3 倍。
  2. 推理速度： YOLO11 针对现代硬件加速进行了优化。在 T4GPU 上使用 TensorRT的 T4 GPU 上，YOLO11n 的推理时间仅为令人印象深刻的1.5 毫秒，是高速实时推理的理想选择。
  3. 效率：YOLO11m 仅用 20.1M 个参数就达到了 51.5mAP 的高精度。相比之下，最大的 YOLOX-x 模型需要 9910 万个参数才能达到较低的 51.1mAP，这凸显了YOLO11 在参数效率方面的架构优势。

技术深潜

培训方法和生态系统

最显著的区别之一在于培训和开发体验。Ultralytics 将简化用户体验放在首位，提供了一个全面的生态系统，简化了机器学习生命周期的每个阶段。

  • 易用性： YOLO11 需几行代码，就可以使用 ultralytics Python 软件包或强大的命令行界面CLI）。这种可访问性与 YOLOX 形成了鲜明对比，后者通常需要克隆存储库和复杂的配置设置。
  • 训练效率： Ultralytics 提供高质量的预训练权重，可加速迁移学习。训练管道经过高度优化，支持自动调整批量大小和GPU GPU 分布式训练等功能。
  • 内存使用： YOLO11 模型的设计在训练和推理过程中都非常节省内存。与老式架构和transformer重型transformer的模型相比，这是一个至关重要的优势，使YOLO11 能够在消费级硬件和CUDA 内存有限的边缘设备上运行。
from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

多功能性和实际应用

YOLOX 是一个专用的物体检测器，而YOLO11 则是一个综合的视觉平台。

  • 多模式功能：开发人员可以通过组合任务来解决复杂问题。例如，一个机器人应用程序可能会使用对象检测来查找对象，并使用姿势估计 来确定对象的抓取方向--所有这些都在YOLO11 单一框架内进行。
  • 维护良好的生态系统： Ultralytics 模型得益于活跃的社区和频繁的更新。Ultralytics HUB等功能有助于数据管理、模型培训和部署，提供的支持水平是分散的开源项目无法比拟的。

理想用例

何时选择 Ultralytics YOLO11

YOLO11 因其性能平衡和生态系统支持而成为绝大多数商业和研究应用的推荐选择。

  • 实时边缘人工智能：低延迟和高效率使其非常适合部署在NVIDIA Jetson、Raspberry Pi 或手机等设备上。
  • 复杂视觉系统：需要在检测的同时进行分割、跟踪或姿势估计 项目将受益于统一框架。
  • 企业解决方案：可靠性、广泛的文档和积极的维护确保了生产级软件的稳定基础。

何时考虑使用 YOLOX

YOLOX 在特定的利基环境中仍具有相关性：

  • 学术研究：研究人员在无锚探测器中研究去耦磁头的具体效果时，可将 YOLOX 作为基准比较。
  • 传统系统：与特定 YOLOX 代码库高度集成的现有管道（如 MegEngine 实现）可继续使用，以避免重构成本。

结论

YOLOX 在普及无锚对象检测方面发挥了重要作用，而Ultralytics YOLO11 则是现代计算机视觉开发的最佳选择。

YOLO11 在每一个关键指标上都超越了 YOLOX：它更准确、速度更快、参数效率更高。除了原始性能，Ultralytics 生态系统还为开发人员提供了无与伦比的易用性、强大的文档和多功能多任务能力。无论是快速原型开发还是大规模工业部署，YOLO11 都能提供构建尖端人工智能解决方案所需的工具和性能。

其他模型对比

了解YOLO11 与该领域其他领先机型的比较：


评论