YOLO11 与 YOLOX#

过去几年，计算机视觉领域发展迅速，实时目标检测模型也日趋复杂。为生产环境或学术研究选择架构时，开发者往往需要权衡经典里程碑和前沿创新。本篇全面对比 Ultralytics YOLO11 与 Megvii 的 YOLOX，深入分析它们的架构、性能指标和理想部署场景。

架构概览#

这两款模型都代表了目标检测领域的重大进步，但它们源自不同的设计理念，面向不同的开发者体验。

YOLO11：灵活的多任务引擎#

YOLO11 于 2024 年 9 月由 Glenn Jocher 和 Jing Qiu 在 Ultralytics 发布，旨在打造兼顾高精度与极高效率的统一框架。

作者： Glenn Jocher 和 Jing Qiu
组织： Ultralytics
日期： 2024-09-27
GitHub： https://github.com/ultralytics/ultralytics
文档： https://docs.ultralytics.com/models/yolo11

YOLO11 不局限于标准边界框，还原生支持实例分割、图像分类、姿势估计和有向边界框 (OBB)检测。经过改进的架构优化了特征提取，确保在复杂的空间层级中更好地保留特征。

YOLO11

ultralytics

public11

Released September 2024. Current stable release and the recommended choice for all use cases. Best balance of speed, accuracy, and ease of use across all vision tasks.

1725 models1 GBMay 21, 2026

yolo11x-obbyolo11m-obbyolo11n-obb+22

YOLOX：无锚框先行者#

YOLOX 由 Megvii 的研究人员开发，于 2021 年凭借纯无锚框方案打通了研究与工业应用之间的壁垒，受到广泛关注。

作者：郑革、刘松涛、王峰、李泽明和孙剑
组织： Megvii
日期：2021-07-18
Arxiv： https://arxiv.org/abs/2107.08430
GitHub： https://github.com/Megvii-BaseDetection/YOLOX
文档： https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs

YOLOX 引入了分离式检测头和无锚框范式，大幅减少了设计参数数量，并在发布时提升了学术基准测试上的性能。

了解更多 YOLOX 信息

你知道吗？

YOLOX 推广的无锚框设计启发了许多后续架构。Ultralytics 在后续迭代版本（如 YOLOv8 和 YOLO11）中融入并大幅改进了这些无锚框理念，以实现更高精度和更灵活的部署。

性能与指标#

评估检测模型时，考察参数量、计算成本 (FLOPs) 和平均精度均值 (mAP) 之间的平衡，对于实际模型部署至关重要。

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)
YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.6
YOLO11m	640	51.5	183.2	4.7	20.1	68.1
YOLO11l	640	53.4	238.6	6.2	25.3	87.2
YOLO11x	640	54.7	462.8	11.3	56.9	195.3

YOLOXnano	416	25.8	-	-	0.91	1.08
YOLOXtiny	416	32.8	-	-	5.06	6.45
YOLOXs	640	40.5	-	2.56	9.0	26.8
YOLOXm	640	46.9	-	5.43	25.3	73.8
YOLOXl	640	49.7	-	9.04	54.2	155.6
YOLOXx	640	51.1	-	16.1	99.1	281.9

如表格所示，YOLO11x 的绝对精度显著高于 YOLOXx（54.7 mAP 对比 51.1 mAP），而参数量约为后者的一半（56.9M 对比 99.1M）。这种效率意味着训练和推理期间所需内存更少，对生产环境而言是巨大优势。

生态系统与开发者体验#

Ultralytics 优势#

YOLO11 和 YOLOX 最显著的差异之一在于易用性。YOLOX 主要作为研究代码库使用，需要复杂的环境配置、手动编译 C++ 运算符，以及通过冗长的命令行参数启动自定义数据集训练。

相比之下，YOLO11 完全集成在 Ultralytics Python 包中，提供从入门到精通的流畅工作流。Ultralytics Platform提供丰富的数据标注、实验跟踪和云端训练工具，封装了样板工作，让工程师能专注于模型性能。

from ultralytics import YOLO

# 加载预训练的 YOLO11 模型
model = YOLO("yolo11n.pt")

# 使用 Ultralytics API 轻松训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 无缝导出为 ONNX 或 TensorRT
model.export(format="onnx")

此外，将 Ultralytics 模型导出为 TensorRT、CoreML 或 OpenVINO 等格式只需一条命令，而旧版仓库往往需要复杂的第三方工具或手动修改计算图。

实际应用场景#

何时考虑使用 YOLOX#

对于一些特殊的旧版部署场景，YOLOX 仍然是可行的选择，例如开发者已经围绕其特定的解耦头张量输出，构建了高度定制的 C++ 推理流水线。此外，开展与 2021 年先进架构对比研究的研究人员仍会将 YOLOX 用作基准数据集基线。

YOLO11 的优势#

对于几乎所有现代生产场景，YOLO11 都能带来出色得多的体验：

智慧城市与零售：凭借出色的速度与精度平衡，YOLO11 能轻松处理拥挤场景，为自动化零售分析和交通管理系统提供支持，无需大规模 GPU 集群。
边缘计算：高内存效率和稳健的导出选项，让 YOLO11 非常适合在 Raspberry Pi 或 NVIDIA Jetson 等设备上进行边缘 AI 部署。
复杂流水线：如果项目需要将目标检测与姿态关键点（例如体育分析）结合，或执行精确的实例分割（例如医学影像分析），YOLO11 都能通过统一的 API 原生处理这些任务。

用例与建议#

选择 YOLO11 还是 YOLOX，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：

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：需要在统一框架中实现目标检测、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 YOLOX#

以下情况推荐使用 YOLOX：

无锚框检测研究：学术研究使用 YOLOX 简洁的无锚框架构作为基线，以试验新的检测头或损失函数。
超轻量级边缘设备：部署到微控制器或旧款移动硬件时，YOLOX-Nano 变体极小的体积（0.91M 个参数）至关重要。
SimOTA 标签分配研究：研究项目用于探索基于最优传输的标签分配策略及其对训练收敛的影响。

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。

展望未来：YOLO26 的强大能力#

尽管 YOLO11 是出色的选择，AI 领域仍在不断加速发展。对于追求极致效率和稳定性的团队，YOLO26（于 2026 年 1 月发布）是全新计算机视觉项目的首选。

YOLO26 通过加入可选的端到端无 NMS检测头（nms=False），实现了重大飞跃。它通过移除非极大值抑制（NMS）后处理，消除了延迟波动，大幅简化了部署逻辑——这一理念最早由 YOLOv10 提出。

此外，YOLO26 还移除了 DFL（分布焦点损失），优化架构后，CPU 推理速度最高提升 43%，使其成为低功耗和边缘设备的不二之选。MuSGD 优化器融合了受 LLM 启发的 SGD 与 Muon，显著提升训练稳定性并加快收敛。再结合 ProgLoss + STAL 等先进损失函数，YOLO26 在无人机影像和 IoT 边缘传感器等具有挑战性的环境中，也能出色地检测小目标。

Get Started